CoTu 团队为 EXACT 2026 竞赛开发了一个神经符号思维程序（Program-of-Thought）流水线，该竞赛要求使用小型、自托管的语言模型进行透明的教育问答。他们的系统基于一个 4B 参数模型，生成用于逻辑推理的 Z3 编码和用于物理问题的 Python 代码，两者都包含在一个自纠正循环和解释性 JSON 输出中。这种方法在物理任务上取得了满分，并在决赛中获得了最高技术分，证明了将答案与符号求解器相结合可以使小型模型也能进行正确的推理。 AI
影响 展示了使用小型模型进行有效的神经符号推理，以实现透明的教育问答，可能影响未来可解释 AI 的研究。
排序理由 该集群描述了一篇研究论文，其中详细介绍了为特定竞赛开发的系统，包括其方法和结果。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.14735v1 Announce Type: new Abstract: Transparent educational question answering asks for answers that are not only correct but explainable, and doing so with small models rules out the reasoning power of the largest proprietary systems. The EXACT 2026 competition poses…
Transparent educational question answering asks for answers that are not only correct but explainable, and doing so with small models rules out the reasoning power of the largest proprietary systems. The EXACT 2026 competition poses this problem concretely: open-weight language m…