NeSyPr：面向高效具身推理的神经符号程序化

我们解决了在动态环境中采用语言模型（LM）进行具身任务的挑战，由于延迟、连接性和资源限制，在线访问大规模推理引擎或符号规划器是受限的。为此，我们提出NeSyPr，这是一个通过神经符号程序化编译知识的新型具身推理框架，为基于LM的智能体提供结构化、自适应且及时的推理能力。在NeSyPr中，首先由符号工具利用其声明性知识显式生成任务特定的计划。然后，这些计划被转化为可组合的程序表示，编码计划中隐含的产生规则，使所生成的组合程序能够无缝集成到LM的推理过程中。这种神经符号程序化将多步符号结构路径查找和推理抽象为单步LM推理，类似于人类的知识编译。它支持在不依赖外部符号指导的情况下进行高效测试时推理，适用于部署在延迟敏感和资源受限的物理系统。我们在具身基准测试中评估了NeSyPr，包括PDDLGym、VirtualHome和ALFWorld，展示了其在大规模推理模型和符号规划器之间进行高效推理的能力，同时使用更紧凑的LM。