本研究探讨了大型语言模型在符号计算中的局限性，提出了“标记意识”概念，指出标记粒度的差异影响推理性能。结果表明，小模型在结构化推理方面优于大模型。

本研究探讨利用Julia算法寻找最小系数的等效二次形式，提出新方法并结合机器学习框架，以优化二次形式的高度，推动符号计算与约简技术的发展。

本研究探讨了机器学习在符号计算中的应用，强调数据集分析的重要性。通过圆柱代数分解的案例，发现变量排序决策存在不平衡，采用增广技术平衡数据集，提升了机器学习结果28%和38%。同时，展示了如何将分类方法转化为回归范例，扩展了应用范围。

本文介绍了在符号计算中使用机器学习的经验教训，通过案例研究展示了如何在变量排序选择中应用机器学习，并提出了数据集平衡和扩增的方法来改善结果。文章还讨论了将分类方法转换为回归范例的技巧。

引言 谈起符号计算，大家首先想到的可能就是大名鼎鼎的Maple，其次是Mathematica，但是他们都是商业软件，除了其自身昂贵的价格外，对