本研究评估了现代SMT求解器在约束满足问题中的应用，发现其在解决25x25数独难题时显著优于传统SAT求解器，展示了SMT求解器的有效性及逻辑求解器的演变。

本文提出了一种基于图神经网络（GNN）的无监督框架，用于解决约束满足问题（CSP）和布尔可满足性问题（SAT）。研究展示了GNN在函数逼近、增强学习和组合优化中的应用，提出了Graph-Q-SAT和OptGNN等新算法，显著提高了解决SAT问题的效率和准确性。实验结果表明，这些方法在多个数据集上表现优异，超越了传统算法。

该研究使用Transformer-based大型语言模型，研究了其生成错误文本时的内部行为，并将事实查询建模为约束满足问题。通过研究11个数据集，研究提出了一种可以预测约束满足和事实错误、并且可以早期发现错误的self-attention模式探查方法SAT Probe。利用对大型语言模型中事实性的机械理解可以提高可靠性。