组合式神经符号推理

我们研究针对抽象与推理语料库（Abstraction and Reasoning Corpus，ARC）的结构化抽象推理，并将其泛化能力与测试时方法进行比较。纯神经架构缺乏可靠的组合泛化能力，而严格的符号系统则难以实现感知落地。因此我们提出一种神经符号架构：从网格中抽取对象级结构，利用神经先验从固定的原子模式领域特定语言（DSL）中提出候选变换，并使用跨样本一致性过滤假设。该系统被实例化为一个受人类视觉抽象启发的、基于单元模式的组合推理框架，用对象表示和变换提议来增强大语言模型（LLM）。在ARC-AGI-2上，它将基座LLM在公开评估集上的性能从16%提升到24.4%，并通过元分类器与ARC Lang Solver结合后达到30.8%。这些结果表明，将感知、神经引导的变换提议与符号一致性过滤分离，可在不进行任务特定微调或强化学习的情况下提升泛化能力，同时降低对暴力搜索和基于采样的测试时扩展的依赖。我们开源了ARC-AGI-2 Reasoner代码（https://github.com/CoreThink-AI/arc-agi-2-reasoner）。