本研究提出了一种复杂度注释的第一阶逻辑推理数据集，旨在提升大语言模型对复杂算法的理解能力。该数据集包含35亿个标记，促进对模型学习符号推理过程的深入研究，增强算法能力的透明性。

本研究提出了一种名为GeoGen的管道，旨在提升多模态大语言模型在几何问题解决中的能力。GeoGen结合符号推理与多模态模型，能够自动生成几何图形的逐步推理路径，从而显著改善模型在几何推理任务中的表现。

本研究探讨了“神经-符号代码”概念，填补了神经网络与符号推理整合的研究空白，强调其在提升人工智能系统可信度和可解释性方面的重要性。

本研究提出了SymRTLO框架，结合大规模语言模型与符号推理技术，旨在提升RTL代码优化效果。该方法通过检索增强生成系统和抽象语法树模板进行代码重写，显著改善功耗、性能和面积，解决了传统方法在复杂设计约束下的挑战。

本文探讨了大型语言模型（LLM）在自然语言处理中的不准确性和逻辑不一致性，提出了一种结合符号推理与机器学习的神经符号方法，以提升LLM输出的连贯性和准确性。实验结果表明，该方法显著改善了LLM的语义和事实准确性。

本研究提出了一种新颖的符号推理方法Polygon，用于SQL查询的等价性证明和消歧义。Polygon通过低估近似推理和多种搜索，在超过30,000个基准测试中表现优于现有技术。

本研究探讨了大型语言模型在贝叶斯推理中的解释策略，发现思维链对生态有效策略反应不足，存在符号推理偏倚。这对改进机器学习辅助学习方法具有重要意义。

本研究提出了一种神经符号策略生成器，结合大型语言模型与符号推理，解决了大型语言模型在形式证明中的策略生成不足问题。通过分析人类解决奥林匹克不等式的方式，提出了两类策略并在数学竞赛中进行评估，取得了显著的性能提升。

本研究首次提出了一种神经证书框架，针对连续时间随机动态系统，填补了现有概率验证方法的空白。该方法结合机器学习和符号推理，为非线性系统提供可达性、回避性和持续性规格的形式化概率界限，并在基准测试中展示了其有效性。

本研究提出了一种新颖的归纳模仿学习框架（ABIL），旨在解决现有模仿学习在开放环境中处理长时间任务的不足。ABIL结合数据驱动学习与符号推理，展现出在长时间任务中的数据效率和泛化能力，为符号规划提供了新思路。

AGI的标志是具备人类级的逻辑推理能力。Bagel团队研究了算术、常识和符号推理，发现推理时的计算效果优于训练时的计算，这推动了大型语言模型向更深层次的推理发展。

研究显示，大型语言模型在符号推理任务中表现优异。评估了Llama 2家族三个模型在不同难度数学公式上的能力。结果表明，增大模型规模和微调能显著提升性能，尤其在简单公式上。但即使是最大的微调模型，仍有挑战。

本研究提出了TRACE-cs系统，通过结合符号推理和大型语言模型，解决了课程调度问题中对比查询缺乏有效解释的难题。研究发现，混合方法提高了可解释人工智能的可靠性和准确性。

使用Quarkus的ML +符号推理演示：Drools+LangChain4j混合推理，将机器学习和符号推理相结合，实现互补，弥补机器学习的不足。