深度分析
EROS：結合符號推理與深度學習的個人化情感影像編輯框架
本研究針對個人化情感影像編輯提出EROS系統，結合符號推理與深度學習，透過情感規則樹與可擴充記憶庫在推論時即時個人化。實驗顯示其在引發目標情緒與保持畫面結構上優於現有多模態模型。此技術有望推動情感計算、心理健康與自適應媒體的發展。並具備高度可解釋性與資料隱私保護。
符號推理
深度分析
基礎模型與符號方法的協同：AI 安全、治理與人機介面的新角色
隨著基礎模型的崛起，傳統符號推理被重新定位。文章提出壓縮原則與建模推理權衡，說明模型越豐富，符號推理需求越低。但在人機互動、可解釋性與治理上，符號介面反而更關鍵。因此，未來 AI 系統將依賴符號介面來建立安全、可驗證的運作框架，這將重新塑造 AI 研發與監管的生態。
深度分析
PrologMCP：結合 Model Context Protocol 與 Prolog 的大型語言模型符號推理框架
大型語言模型在深層推理上仍易失效，研究者推出PrologMCP，讓LLM透過MCP呼叫Prolog進行符號推理，提供狀態化介面與結構化錯誤回報。實驗顯示，使用PrologMCP的Formalizer在PARARULE‑Plus測試中達到近乎完美的正確率，優於傳統推理模型。
深度分析
可控可驗證的流程資料合成框架：提升過程獎勵模型推理效能與錯誤定位
現有的過程獎勵模型缺乏對錯誤位置與類型的精確控制。研究提出一套可控且可驗證的流程資料合成框架，先生成正確的符號推理鏈，再在中間步驟注入模板感知錯誤，重新計算後續步驟並檢查前綴不可推導性。實驗顯示此合成資料提升了邏輯推理的 Best‑of‑8 重新排序表現，且在數學推理上亦有遷移效益。
深度分析
解碼器型 Transformer 在符號推理的嵌入崩潰：複製注意力與嵌入管理的三重解法
本研究探討解碼型Transformer在抽象符號推理上的泛化能力，發現未見符號的嵌入與反嵌入在訓練過程中會趨於相同向量，導致變數難以分辨。提出結合複製注意力、資料多樣性與凍結或重置嵌入的方案，成功讓模型在未見符號上通過測試。此發現對大型開放模型的微調與符號推理應用具有重要啟示。
深度分析
ViSA‑R2 以視覺化輸入直接產出可執行 SymPy 解析解
研究聚焦於將二維線性穩態場的視覺化資訊轉換為可執行的 SymPy 解析式。作者提出 ViSA‑R2，結合自我驗證的解題導向思考鏈，模擬物理學家的推理流程，並發布含 30 種情境的 ViSA‑Bench 基準。實驗顯示在數值精度與結構相似度上，ViSA‑R2 超越現有開源與封閉商業視覺語言模型，提升 AI 在科學推理的應用潛力。