从自然语言到可执行Narsese：面向NARS推理的神经符号基准与流水线

大语言模型（LLM）在语言生成方面能力出色，但当推理需要显式符号结构、多步推理和可解释的不确定性时，它们仍不可靠。本文提出一个神经符号框架，使用一阶逻辑（FOL）和Narsese——非公理推理系统（NARS）的语言——将自然语言推理问题翻译为可执行的形式表示。为支持这一方向，我们提出NARS-Reasoning-v0.1，一个将自然语言推理问题与FOL形式、可执行Narsese程序以及True、False和Uncertain三个金标签配对的基准。我们开发了从FOL到可执行Narsese的确定性编译流水线，并通过在OpenNARS for Applications（ONA）中的运行时执行验证保留样例，确保符号目标不仅在语法上良构，而且在行为上与预期答案一致。我们进一步提出语言结构化感知（Language-Structured Perception，LSP），一种训练LLM产生与推理相关的符号结构而非仅给出最终口头响应的表述方式。作为初步概念验证，我们还在NARS-Reasoning-v0.1上训练并发布了用于三标签推理分类的Phi-2 LoRA适配器，表明该基准除可执行评估外还能支持监督式适配。总体而言，本文将可执行符号生成与基于执行的验证定位为通向更可靠神经符号推理系统的一条实用路径。