神经符号

推荐理由：这个研究把视觉探索和符号规划结合起来，让模型在虚拟环境里干活成功率超90%，比直接让大模型操作强多了，而且不用专门训练。

推荐理由：想给逻辑张量网络加时间或序列结构？sLTN把结构维度做进语言里，还能退化成原版LTN，有PyTorch代码可玩。

推荐理由：不用手动转录音频，自动从语音里挖出阿尔茨海默病早期信号，还能解释推理过程，比黑盒模型更让人放心。

推荐理由：Onton发布了搜索模型Ontology 1，90条查询上precision@10到0.630，压过Google Shopping和Amazon，而且只用了1%索引数据。做搜索的可以看看。

推荐理由：这篇论文解决了神经符号推理中不可微的离散接口问题，SoftReason让感知和演绎合为一体，KVQA上效果提升明显，搞推理和视觉问答的值得看。

推荐理由：Paper提出PolicyGuard，能把公司政策转成可执行的规则，用LLM和符号逻辑做合规审查，比纯端到端更透明、好维护。

推荐理由：Codex这类神经符号代理比纯聊天机器人强得多，Ethan Mollick用OpenAI数据说明代理系统即将全面铺开，搞AI的不妨看看。

推荐理由：Marcus用Claude Code等实际案例证明神经符号工具的价值，关注AI架构演进的读者会看到一场持续30年的学术争论被技术验证，值得点开了解背后的逻辑。

推荐理由：Marcus 的观察点明了 AI 研究范式的关键转向，关注认知架构和符号推理的开发者值得一读，看看自己是否站在了趋势上。

推荐理由：Marcus 的质疑切中 AI 数学推理的核心争议——符号系统 vs 纯 LLM，关注 AI 推理能力的读者值得一看，能帮你理解当前研究的分歧点。

推荐理由：通过概率建模处理常识变异，PACS提升了神经符号推理的鲁棒性，对增强LLM在开放世界推理中的常识能力有实际价值。