本研究探讨了人类符号认知中的同/相反关系响应，扩展了非公理推理系统（NARS），实现了在最小经验基础上的灵活推广。实验结果表明，NARS能够快速内化关系规则，并在不同上下文中展现强大的推理能力，显示出将学习机制融入人工智能的潜力。

本研究旨在填补PLN和NARS两种不确定推理框架在高不确定性场景下的比较研究的空白。通过比较强度与置信度的乘积（$s\times c$）与频率与置信度的乘积（$f\times c$），发现尽管两者的推理方式不同，但在高术语概率不确定性的情况下，二者在推理结果的“力量”度量上往往非常接近。这一发现对理解AGI的推理机制具有重要意义。

本文介绍了一种为感知设计的NUTS：随机降维非公理化推理有限输入学习器，其与Whisper Tiny模型在离散词语识别方面表现相似。

本文介绍了解决抽象与推理语料库 (ARC) 问题的新方法，包括使用DreamCoder神经符号推理求解器和大语言模型 (LLMs)。这些方法在解决ARC任务方面取得了进展，并提供了一种有趣的补充方式。同时，还发布了arckit Python库，方便未来对ARC的研究。