통합검색

조건을 못 맞추는 퍼즐은 인공지능(AI)에게 왜 더 어려울까?

SATBench의 2,100개 문제는 해 찾기와 불가능성 판정 사이의 비대칭을 드러냅니다.

SATBench: Benchmarking LLMs’ Logical Reasoning via Automated Puzzle Generation from SAT Formulas

언어모델과 정리증명기는 어디에서 역할을 나눌까?

LINC는 언어모델을 의미 파서로, 1차 논리 증명기를 판정기로 사용해 언어 이해와 형식 추론의 책임을 분리했습니다.

LINC: A Neurosymbolic Approach for Logical Reasoning by Combining Language Models with First-Order Logic Provers

인공지능(AI)가 논리를 기호로 옮기고 계산기에 맡기면 더 정확할까?

Logic-LM은 언어모델의 형식화와 기호 솔버의 판정을 결합하고 오류 메시지로 번역을 고치는 절차를 평가했습니다.

Logic-LM: Empowering Large Language Models with Symbolic Solvers for Faithful Logical Reasoning

정리증명 인공지능(AI)를 시험할 ‘환경’은 왜 필요할까?

HOList는 HOL Light의 수학 말뭉치를 기계학습 환경과 벤치마크로 공개해 증명 모델을 같은 조건에서 훈련·재생·검증하도록 했습니다.

HOList: An Environment for Machine Learning of Higher-Order Theorem Proving

AI의 설명과 내부 계산은 같을까?

공개 연구의 관계 추론 사례를 따라가며 관찰·개입·해석의 차이를 읽습니다.