AGEL-Comp: 交互式智能体中组合泛化的神经符号框架

arXiv 2026 41.3 method

TLDR

AGEL-Comp是一种神经符号智能体架构，利用因果程序图世界模型和归纳逻辑编程，实现交互环境中的组合泛化。

评分理由

The paper presents a novel integration of symbolic world models with LLM reasoning, addressing compositional generalization with a clear evaluation in a simulation environment. However, it lacks real-world validation and may face scalability challenges with complex domains.

Read-first 评分解释

综合优先阅读分 41.3，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 26。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

引用影响力 18%

58.6

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.58569544

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：评估

主题相关性 29%

37.1

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：211。

关键词评分

world model

interactive world model

world dynamics prediction

model-based reinforcement learning world model

world simulator

generative world model

video world model

深度分析

创新点

动态因果程序图（CPG）作为世界模型，将程序性和因果知识表示为有向超图
归纳逻辑编程（ILP）引擎，从经验反馈中综合新的Horn子句
混合推理核心，其中LLM提出候选子目标，由神经定理证明器（NTP）验证逻辑一致性

方法

AGEL-Comp 集成了一个动态因果程序图（CPG）作为世界模型、一个从反馈中综合Horn子句的归纳逻辑编程（ILP）引擎，以及一个结合LLM进行子目标提议与神经定理证明器（NTP）进行逻辑验证的混合推理核心。这些组件运行在一个演绎-溯因学习循环中，使智能体能够演绎计划并溯因地扩展其符号世界模型，同时神经适应阶段使其推理引擎与新知识保持一致。该框架在Retro Quest模拟环境中使用专门设计用于探测组合泛化场景的协议进行评估。

关键结果

在Retro Quest模拟环境的组合泛化场景中，AGEL-Comp模型表现出优于纯LLM模型的性能。

资源

论文