从自然语言到可执行 Narsese：基于 NARS 推理的神经符号基准与流水线

大型语言模型在语言生成方面具有很高的能力，但当推理需要显式符号结构、多步推断和可解释的不确定性时，它们仍然不可靠。本文提出了一个神经符号框架，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转化为可执行的形式表示。为了支持这一方向，我们引入了 NARS-Reasoning-v0.1，这是一个自然语言推理问题基准，配有 FOL 形式、可执行 Narsese 程序和三个金标签：True、False 和 Uncertain。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了保留的样本，确保符号目标不仅在语法上格式正确，而且在行为上与预期答案对齐。我们进一步提出了语言结构化感知（LSP），在这一公式化中，训练 LLM 产生与推理相关的符号结构，而不仅仅是最终的言语响应。作为初步的概念验证，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，表明该基准除了可执行评估外，还可以支持监督适配。总体而言，本文将可执行符号生成和基于执行的验证定位为构建更可靠的神经符号推理系统的实际路径。