Dweve

Neurosymbolsk, et år efter: hvad forskningen i 2026 faktisk viser

For et år siden argumenterede vi for, at næste skridt inden for AI ville kombinere indlærte modeller med eksplicit struktur. Forskningen i 2026 giver nu det...

Neurosymbolsk, et år efter: hvad forskningen i 2026 faktisk viser

For et år siden var argumentet mest et argument

I november 2025 udgav vi "The neuro-symbolic renaissance", et essay der argumenterede for, at de mest anvendelige AI-systemer i de kommende år ikke ville være større sprogmodeller alene. De ville kombinere indlærte modeller, som er gode til perception, sprog og mønstre, med eksplicit symbolsk struktur, som er god til regler, begrænsninger, proveniens og bevis. Vi fremførte det argument ud fra første principper og ud fra vores egen ingeniørerfaring, fordi det er sådan, Dweve er bygget: Loom, vores ræsonneringsmotor, dirigerer arbejde ud på 528 specialister, hvoraf mange er symbolske løsere, verifikatorer og regelmotorer frem for neurale netværk, og det svar, den returnerer, bærer et spor af, hvilke dele der gjorde hvad.

Et argument ud fra første principper er et rimeligt udgangspunkt. Det er ikke bevis. Så det er værd at spørge, et år senere, hvad den offentliggjorte forskning nu viser. Ikke pressemeddelelserne, og ikke den generelle begejstring for ordet "neurosymbolsk", som er blevet moderne nok til at blive brugt om næsten hvad som helst. De konkrete, målte resultater.

To artikler fra 2026 er særligt nyttige, fordi de tester kerneudsagnene direkte og rapporterer tal, der kan efterprøves. Den ene handler om agenter, der skal handle i en verden: bliver en sprogmodels planer eksekverbare, når man tilføjer symbolske begrænsninger og søgning? Den anden handler om spørgsmålsbesvarelse over viden: bliver svarene lettere at spore, når man bygger vidensstrukturen deterministisk ud fra autoritative kilder i stedet for at udtrække den med en sprogmodel? Begge svarer ja, med stor margin. Og begge er omhyggelige med at sige, hvad de ikke viste, hvilket er mindst lige så lærerigt som det, de viste.

Plausibelt er ikke det samme som eksekverbart

Den første artikel, "Neurosymbolic Embodied Agents" af Albinhassan, Feng, Russo og Madhyastha, lagt på arXiv i august 2026, tager udgangspunkt i en iagttagelse, som enhver, der har forsøgt at bruge en sprogmodel som planlægger, vil genkende. Sprog- og visionssprogmodeller, står der i abstractet, "generate plausible embodied plans but do not guarantee executability, as their outputs can violate environment dynamics or act on incorrectly grounded entities."

Skellet mellem plausibelt og eksekverbart er hele problemet i én sætning. En model, der bliver bedt om at lave en kop te i et simuleret køkken, vil producere en sekvens af trin, der lyder godt: gå ud i køkkenet, tag kedlen, fyld den, tænd den. Men den kan forsøge at tage en kedel, der ikke er der, eller fylde en kedel, der står i et lukket skab, eller hælde fra en kedel, der ikke har kogt. Hvert trin er plausibelt. Planen som helhed fejler, fordi modellen ikke holder styr på verdens tilstand og reglerne for, hvordan handlinger ændrer den.

Artiklens agent opdeler langsigtede husholdningsopgaver i to faser. I den første indhenter en visionssprogmodel og en udforskningsramme målrelevante prædikater og instansbindinger fra egocentriske observationer og grounded interaktioner og producerer en symbolsk beskrivelse af starttilstanden: denne kedel er her, dette skab er lukket, denne kop er tom. I den anden begrænser en PDDL-overgangsmodel, en formel beskrivelse af, hvilke handlinger der er anvendelige i hvilke tilstande, og hvad de ændrer, afkodningen til tokens, der udvider anvendelige handlinger. Sprogmodellen kan kun generere handlinger, som den symbolske model siger er mulige. Monte Carlo-træsøgning vurderer derefter eksekverbare fortsættelser ved hjælp af en domæneuafhængig planlægningsheuristik.

Konsekvensen er ifølge forfatterne, at "de resulterende planer er eksekverbare per konstruktion under overgangsmodellen, med overførsel til miljøet betinget af korrekt visuel grounding." Den sidste sætning er vigtig, og vi vender tilbage til den nedenfor.

Sammenfattet fra Albinhassan, Feng, Russo og Madhyastha, Neurosymbolic Embodied Agents, arXiv 2608.16794.

Små begrænsede modeller slår en stor ubegrænset

Resultaterne er slående. På to standardbenchmarks for husholdningsopgaver, VirtualHome og ALFWorld, rapporterer abstraktet, at "åbne 4B-27B-modeller overstiger 90 % succes i begge miljøer, og vores mindste agent overgår markant en 27B direkte visuel politik i hvert af dem." I artiklens resultater ligger succesraterne mellem 94,5 og 99,5 procent på VirtualHome og mellem 90,3 og 97,8 procent på ALFWorld på tværs af modelstørrelser. Agenten med 4 milliarder parametre overgår den direkte visuelle politik med 27 milliarder parametre med 32,0 procentpoint på det ene benchmark og 63,4 på det andet.

Det andet resultat fortjener at blive læst langsomt. En model, der er omtrent en syvendedel så stor, og som får eksplicit struktur om verdenen og en søgeprocedure over eksekverbare handlinger, klarer sig dramatisk bedre end en meget større model, der bedes handle direkte. Forskellen er ikke marginal finjustering. Det er forskellen mellem et system, der for det meste virker, og et, der for det meste ikke gør.

For alle, der beskæftiger sig med omkostninger, energiforbrug og styrbarhed i AI-systemer, betyder det noget. En lille åben model kan køre på beskedent hardware, kan inspiceres, kan låses til en version og kan hostes, hvor operatøren ønsker det. Hvis tilføjelsen af struktur gør det muligt for en sådan model at overgå en stor model på opgaver, der kræver pålidelig handling, bliver argumenterne om suverænitet og effektivitet for små modeller meget stærkere. Størrelse er ikke den eneste vej til kapacitet. Struktur er en anden.

Begrænsninger og søgning supplerer hinanden, de kan ikke erstatte hinanden

Det mest interessante fund er efter vores mening en ablation. Forfatterne testede begrænsninger og søgning hver for sig. I ALFWorld "løser hver af dem alene under en tredjedel af opgaverne, mens deres kombination løser over 95 %." De detaljerede tal er 32,3 procent for begrænsninger alene og 29,2 procent for søgning alene, mod 95,5 procent kombineret.

Det er et resultat, som en simpel fortælling om neurosymbolsk AI ikke ville forudsige. Man kunne forvente, at begrænsninger, ved at forhindre ugyldige handlinger, ville gøre det meste af arbejdet, og at søgning ville tilføje lidt. Eller at søgning, ved at udforske mange veje, ville finde gode planer, og at begrænsninger blot ville gøre det hurtigere. I stedet fejler hver af dem alene på de fleste opgaver, og sammen lykkes de på næsten alle.

Intuitionen er ikke svær at rekonstruere. Begrænsninger uden søgning garanterer, at hvert skridt er gyldigt, men gør intet for at sikre, at rækken af gyldige skridt når målet. En model kan vandre rundt i køkkenet og udføre fuldt lovlige handlinger i det uendelige. Søgning uden begrænsninger udforsker mange fortsættelser, men de fleste af dem indeholder ugyldige handlinger, så søgerummet domineres af planer, der vil fejle, og heuristikken har lille grundlag at arbejde med. Tilsammen skærer begrænsningerne rummet ned til gyldige planer, og søgningen finder de gode blandt dem.

Den komplementaritet er efter vores vurdering den stærkeste empiriske støtte indtil nu til den arkitekturpåstand, vi fremsatte for et år siden. Værdien ligger ikke i at bolte et symbolsk modul på et neuralt et. Den ligger i en bestemt arbejdsdeling, hvor hver del gør det, den er god til, og opvejer den andens svaghed.

Tal som rapporteret i arXiv 2608.16794. Hver komponent alene løser under en tredjedel af opgaverne.

Færre tokens, og fejl der peger et sted hen

To yderligere resultater fra artiklen er nemme at overse og fortjener opmærksomhed.

Det første er effektivitet. Abstractet rapporterer, at metoden "bruger flere gange færre genererede tokens end udvidet tænkning og langt færre model-synlige billeder end direkte interaktion". I artiklen rapporteres reduktionen i tokens i forhold til udvidet tænkning som op til fire gange. Udvidet tænkning, hvor en model skriver lange ræsonnementskæder ud, før den handler, er den vigtigste alternative strategi til at forbedre pålideligheden af modelplaner. Det virker til en vis grad, men det er dyrt: hvert ræsonnementstoken beregnes og betales for på hostede tjenester. En metode, der opnår bedre resultater med en brøkdel af tokens, er bedre på både omkostninger og energi såvel som på succes.

Det andet er diagnosticerbarhed. Abstractet bemærker, at "resterende fejl lokaliseres til tilstandsindhentning snarere end plangenerering uden nogen specialiseret træning." Når agenten fejler, fejler den, fordi dens billede af verden var forkert, ikke fordi den planlagde dårligt ud fra det billede. Det er præcis, hvad man ville håbe på fra et system, hvis planer er eksekverbare per konstruktion. Det fortæller også ingeniøren, hvor der skal arbejdes næste gang. I et end-to-end neuralt system er en fejl ofte en diffus egenskab ved hele modellen, og det eneste afhjælpningsmiddel er mere data eller en større model. I et faktoriseret system har en fejl en adresse.

Vi mener, at diagnosticerbarhed er undervurderet i AI-forskning. Et system, der fejler sjældnere, er godt. Et system, hvis fejl kan lokaliseres, forklares og rettes, er bedre, fordi det kan forbedres målrettet, og fordi dets adfærd kan betros i de tilfælde, hvor dets komponenter vides at være pålidelige.

Samme mønster går igen i spørgsmålssvar

Den anden artikel behandler et andet problem med et slående ensartet resultat. "Ontology-guided neuro-symbolic GraphRAG for grounded query answering" af Domenico Benfenati og Antonio Maria Rinaldi fra University of Naples Federico II blev publiceret i Neural Computing and Applications i oktober 2026. Den undersøger spørgsmålssvar over cybersikkerhedsviden: sårbarheder, svagheder, angrebsmønstre og berørte produkter, hentet fra offentlige repositories som CVE, CWE, CAPEC og CPE.

Sammenligningen står mellem to måder at opbygge den vidensgraf, som en sprogmodel trækker på, når den besvarer spørgsmål. I den udbredte GraphRAG-tilgang læser en sprogmodel ustruktureret tekst og udtrækker entiteter, relationer og fællesskabssummeringer, som derefter fungerer som grundlaget for genfinding. I forfatternes tilgang materialiseres grafen top-down fra de autoritative repositories gennem målrettet crawling, ontologistyret skemaforening og regelbaseret symbolsk inferens, såsom transitiv kædning og produktpåvirkning over flere led. Ontologien selv udledes af de virkelige repositories' feltstruktur frem for at blive syntetiseret af en model. Sprogmodellen får derefter evidens fra denne graf i det, forfatterne beskriver som en strengt envejsstrømning: det symbolske grundlag er "fuldt deterministisk, bevarer proveniens og kan inspiceres uafhængigt".

Proveniensrevisionen er det mest afslørende eksperiment. I den ontologistyrede graf kunne 100 procent af de udtagne kanter spores til autoritative kildeposter eller erklærede inferensregler. I den LLM-udtrukne graf kunne 83 procent spores, og kun 58 procent forbandt endepunkter med kanoniske identifikatorer. Forskellen fortsætter i svarene: det ontologistyrede system opnåede 95 procent citatpræcision mod 66 procent for GraphRAG-baseline.

Forfatternes strukturelle forklaring er det vigtige. I LLM-udtrukket GraphRAG er svarene funderet i resuméer skrevet af samme slags model, som genererer svaret, så provenienskæden stopper ved et neuralt mellemled i stedet for at nå en autoritativ post. En henvisning til et modelskrevet resumé er en henvisning til en fortolkning. En henvisning til en kildepost, gennem kanter der hver kan spores til den post eller til en erklæret regel, er en henvisning til evidens.

Tal som rapporteret af Benfenati og Rinaldi, Neural Computing and Applications, 2026, på et cybersikkerhedskorpus.

Citater er ikke hele proveniensen

En tredje, mindre artikel fra 2026 tilføjer en nyttig komplikation. "Why Neighborhoods Matter: Traversal Context and Provenance in Agentic GraphRAG", lagt på arXiv i maj 2026, undersøger systemer, hvor en agent udforsker en vidensgraf, før den svarer, og derefter citerer et lille sæt entiteter. Den spørger, om de endelige citater er tilstrækkelige til at forklare det grundlag, svaret byggede på.

Konklusionen er, at det er de ikke. Citerede entiteter har som regel betydning: fjerner man dem, ændrer svarene sig mærkbart, og nøjagtigheden falder. Men eksperimenterne viser, at et præcist svar også afhænger af gennemløb af grafen, af nabostrukturen og af entiteter, som agenten besøgte, men ikke citerede. Forfatterne konkluderer, at troværdig citering "også bør tage højde for den grafkontekst og den søgesti, der former det endelige svar."

Det fund skærper læren fra Benfenati og Rinaldis artikel. En deterministisk, sporbar graf er nødvendig for svar, hvis grundlag kan efterprøves. Den er ikke tilstrækkelig, hvis systemet kun registrerer, hvad det citerer, og ikke hvad det læste. Proveniensen skal omfatte stien, ikke kun målet. Det er tilfældigvis samme konklusion, vi nåede frem til fra ingeniørsiden, da vi designede Knot, den hændelseslog, vi offentliggør den fjerde kvartal 2026: registreringen af en agentkørsel skal omfatte hver læsning og hvert mellemtrin, ikke kun det endelige output, fordi det er trinnene, der forklarer outputtet.

Hvad resultaterne ikke viser

Begge de centrale artikler er omhyggelige med deres begrænsninger, og dem er der grund til at nævne klart, for begejstring for et resultat har en tendens til at udviske dets betingelser.

Resultaterne for den kropsliggjorte agent er fra simulering. VirtualHome og ALFWorld er veletablerede benchmarks, men de er simulerede husholdningsmiljøer med kendt dynamik. Garantien for, at planer kan udføres "per konstruktion", gælder under overgangsmodellen, det vil sige under den symbolske beskrivelse af, hvordan verden fungerer. Hvis den beskrivelse er forkert eller ufuldstændig, overføres garantien ikke. I den virkelige verden er det svært at skrive en fuldstændig og korrekt overgangsmodel, og verden har for vane at rumme ting, som modellen ikke forudså.

De samme resultater afhænger af en korrekt visuel grounding. Det står der eksplicit i abstraktet. Hvis udforskningsfasen fejlidentificerer et objekt eller overser et, er den symbolske tilstand forkert, og en plan, der kan eksekveres upåklageligt under den forkerte tilstand, kan fejle i virkeligheden. Artiklens fund om, at resterende fejl kan lokaliseres til tilegnelsen af tilstand, er godt nyt for diagnosticerbarheden, og det er samtidig en påmindelse om, at perception fortsat er det svære.

GraphRAG-resultaterne ligger inden for ét domæne, cybersikkerhed, hvor der findes autoritative strukturerede repositories med stabile identifikatorer. Mange domæner er ikke sådan indrettet. Når viden primært findes i ustrukturerede dokumenter uden kanoniske identifikatorer, er top-down-materialisering ikke en mulighed, og en eller anden form for udtrækning er uundgåelig. Artiklens metode viser, hvad der bliver muligt, når der findes gode kilder. Den viser ikke, hvordan man skaber dem, hvor de ikke findes.

GraphRAG-evalueringen af svar korrekthed brugte en sprogmodel som dommer, Gemini 2.5 Flash, på femten spørgsmål pr. opgave. Det er et rimeligt design til en forskningsartikel, og proveniensrevisionen er en mere direkte måling. Men læserne bør betragte tallene for svarkvalitet som vejledende snarere end definitive og provenienstallene som det stærkere resultat.

Ingen af disse begrænsninger undergraver artiklerne. De er de normale vilkår for god forskning. Men de er vigtige for enhver, der fristes til at læse "neurosymbolsk" som en generel løsning. Det er et sæt arkitekturvalg, der fungerer særdeles godt, når forudsætningerne er opfyldt: en korrekt symbolsk model af domænet, pålidelig grounding af perceptionen ind i den model og autoritative kilder til viden. Meget af det praktiske arbejde består i at etablere disse forudsætninger.

Hvad der sker efter den første fejl

Succesrater fortæller, hvor ofte et system fuldfører en opgave. De fortæller ikke, hvordan det opfører sig, når noget går galt, hvilket ofte er det vigtigere spørgsmål for enhver, der skal implementere det. Artiklen om den kropsliggjorte agent indeholder et appendiks, der besvarer det, og det er en af de mest afslørende dele af arbejdet.

Forfatterne målte, hvad politikkerne gjorde "efter den første ikke-groundbare eller mislykkede eksekvering", og rapporterede, hvor ofte opgaver indeholdt en sådan hændelse, hvor ofte politikken efterfølgende genoprettede opgaven, hvor ofte den straks gentog den mislykkede anmodning, og hvor ofte den endte i en vedvarende handlingsløkke. Resultaterne for de direkte visuelle politikker, som planlægger uden de symbolske begrænsninger, er slående.

I VirtualHome stødte den direkte 4B Qwen-politik på en fejl i 64,5 procent af opgaverne. Den genoprettede opgaven i 5,4 procent af disse tilfælde, gentog den mislykkede anmodning straks i 74,5 procent og endte i en vedvarende løkke i 45,5 procent. I ALFWorld stødte samme model på en fejl i 73,9 procent af opgaverne, genoprettede i 1,0 procent og endte i en vedvarende løkke i 94,8 procent. Den største direkte model klarede sig bedre, som man kunne forvente: i VirtualHome stødte 27B-politikken på en fejl i 29,0 procent af opgaverne, genoprettede i 37,9 procent, gentog anmodningen i 8,3 procent og endte i en vedvarende løkke i 9,5 procent. I ALFWorld genoprettede selv den model kun i 25,7 procent af tilfældene.

Artiklens introduktion forklarer, hvorfor det sker. En direkte politik skal identificere objekter, følge deres tilstand, vælge anvendelige handlinger og ræsonnere om forsinkede effekter "inde i én autoregressiv historik, hvor de frit kan akkumulere". Forfatterne bemærker, at "eksekveringsfeedback kan afsløre en sådan fejl, efter den er opstået, men forhindrer ikke modellen i at gentage et ugyldigt valg eller i at drive væk fra den tilstand, dens egne handlinger har fremkaldt."

Den sætning beskriver et mønster, som mange vil genkende fra agenter uden for laboratoriet. En agent forsøger noget, det mislykkes, fejlen sendes tilbage, og agenten forsøger det samme igen eller noget tilsvarende. Feedback er information, men information begrænser ikke. Et system, der behandler handlingers gyldighed som noget, der skal udledes, frem for håndhæves, kan få at vide, at det tog fejl, uden at det forhindres i at tage fejl igen.

Den begrænsede tilgang ændrer dette ved at gøre anvendelighed til, med artiklens formulering, "en begrænsning, der opretholdes gennem generering og søgning". En handling, hvis forudsætninger ikke er opfyldt, produceres aldrig, så der er intet at gentage. Det gør ikke systemet ufejlbarligt. Det flytter fejlen til et andet sted.

Tal fra tabel 10 hos Albinhassan og kolleger, 2026, for direkte politikker uden symbolske begrænsninger. Procentdele; genopretning og gentagelse er blandt opgaver, der stødte på en fejl.

Artiklen lokaliserer sine egne fejl

En ærlig redegørelse for resultaterne må sige, hvor den begrænsede agent fejler, og det gør artiklen. Dens symbolske planlægger kan kun planlægge over den tilstand, den får. Når den visuelle udforskningsfase overser et påkrævet objekt, skriver forfatterne, "forplanter fejlen sig, fordi den jordede begyndelsestilstand udelader et påkrævet objekt. Dette er en begrænsning i komponenten til visuel tilstandserhvervelse snarere end i anvendelighedsgarantien."

Den sondring er vigtig. Den garanti, systemet tilbyder, er snæver og stærk: enhver handling, det planlægger, er anvendelig i den tilstand, det mener, det er i. Om denne overbevisning stemmer med verden, afhænger af perception, og perception udføres stadig af en neural model med al den usikkerhed, det indebærer. Forfatterne forventer, at "forbedringer i visuel genkendelse og aktiv valg af synsvinkel bør overføres direkte til den komplette metode", hvilket er en rimelig forventning og også en påmindelse om, at den symbolske del ikke kan kompensere for det, den neurale del ikke ser.

For folk, der vurderer sådanne systemer, er lektionen at spørge, hvor garantien stopper. Et neurosymbolsk system tilbyder typisk sikkerhed om én del af processen (planen er gyldig, slutningen følger af reglerne, svaret understøttes af grafen) og arver usikkerhed fra de dele, der leverer input til den. Et godt system gør den grænse synlig. Det registrerer, hvad det opfattede, hvad det antog, og hvad det udledte, så en bedømmer kan afgøre, om en fejl kom fra ræsonnementet eller fra inputtet til ræsonnementet.

Det er også derfor, fejlanalyse af den type, der findes i artiklens appendiks, er så værdifuld. At vide, at et system mest fejler ved jording snarere end ved planlægning, fortæller en ingeniør, hvor der skal investeres, og fortæller en udstationerende, hvilken form for tilsyn der er nødvendig. En menneskelig bedømmer, der kontrollerer en begrænset agents arbejde, bør kontrollere dens billede af verden, ikke dens aritmetik.

Gennemgangsstudiet er lille, og det siger det selv

Artiklen om gennemløbskontekst er også omhyggelig med at nævne sine egne begrænsninger. Forfatterne skriver, at undersøgelsen "er begrænset af den lille benchmarkstørrelse og af sin brug af en kontrolleret vidensgraf opbygget fra 2WikiMultiHopQA frem for en stor vidensgraf fra den virkelige verden." De efterlyser evaluering "på større datasæt, rigere grafstrukturer og domænespecifikke vidensbaser" samt citeringsmekanismer, "der ikke blot blotlægger de endelige understøttende entiteter, men også den relevante gennemløbskontekst."

Den åbenhed er nyttig. Fundet, at citeringer er nødvendige, men ikke tilstrækkelige til at redegøre for en agents svar, er plausibelt og vigtigt, men det hviler på en kontrolleret opsætning. Før nogen bygger politik på det, bør det reproduceres på de typer grafer, som virkelige systemer bruger: virksomheders vidensbaser, regulatoriske tekstsamlinger, produktkataloger. Indtil da bør det læses som en veldesignet advarsel snarere end en fastslået måling.

Advarslen er stadig værd at tage alvorligt. Forfatterne konkluderer, at "proveniens i agentbaseret grafbaseret søgning bør behandles som en egenskab på baneniveau". For systembyggere betyder det at registrere ruten, ikke bare destinationen: hvilke entiteter der blev besøgt, hvilke kanter der blev fulgt, hvilke naboer der blev set og ikke citeret. En citeringsliste er et resumé af den rute. Som ethvert resumé kan det være præcist og alligevel udelade noget, der havde betydning.

Der er en praktisk omkostning ved at registrere ruten, og den bør nævnes. Gennemløbsregistreringer er større end citeringslister, de kan indeholde materiale, som brugeren aldrig fik vist, og de kræver samme omhu med adgang og opbevaring som enhver anden log. Men alternativet er værre. Når et svar anfægtes, kan et system, der kun har gemt sine citeringer, vise, hvad det pegede på. Et system, der har gemt sin bane, kan vise, hvordan det nåede dertil, og det er det spørgsmål, en bedømmer faktisk vil stille. For agentbaseret søgning vil den forskel formentlig afgøre, om en forklaring accepteres eller blot tolereres.

Den ældre diskussion om forklaring gælder stadig

Intet af dette er nyt i ånden. Debatten om forklaring i maskinlæring har kørt i årevis, og resultaterne fra 2026 passer ind i den snarere end at erstatte den.

I 2017 bemærkede Finale Doshi-Velez og Been Kim, at "på trods af interessen for fortolkelighed er der meget lidt enighed om, hvad fortolkelig maskinlæring er, og hvordan det bør måles." I 2018 argumenterede Cynthia Rudin for, at "forsøget på at forklare black box-modeller i stedet for at skabe modeller, der er fortolkelige fra begyndelsen, sandsynligvis vil fastholde dårlig praksis og potentielt kan forårsage katastrofal skade på samfundet." Samme år viste Julius Adebayo og kolleger, at nogle saliency-metoder "er uafhængige af både modellen og af den datagenererende proces" og producerer lignende forklaringer, uanset om modellen havde lært noget.

Resultaterne for begrænset planlægning og GraphRAG kan læses som belæg for Rudins holdning i en ny sammenhæng. Når planen fremkommer ved en søgning over eksplicitte regler, er dens gyldighed en egenskab ved, hvordan den blev lavet, og en forklaring på, hvorfor en handling blev valgt, kan læses ud af søgningen. Når et svar fremkommer ved at gennemløbe en graf, er dets proveniens en egenskab ved gennemløbet, forudsat at gennemløbet registreres. I begge tilfælde er forklaringen ikke en anden models fortolkning af den første. Det er registreringen af, hvad den første gjorde.

Det, resultaterne fra 2026 tilføjer, er dokumentation for, at den slags systemer også kan klare sig godt. Den gamle indvending mod fortolkbare tilgange var, at de gik ud over nøjagtigheden. Resultater som disse, hvor små begrænsede modeller overgår større ubegrænsede på strukturerede opgaver, afgør ikke spørgsmålet generelt. De viser, at for opgaver med eksplicitte regler og kontrollerbare resultater er afvejningen ikke den, folk antog.

At tænke længere hjalp ikke, og den nemme benchmark skjuler det

Komponentablationen i artiklen om den kropsliggjorte agent indeholder to yderligere detaljer, der fortjener opmærksomhed, fordi de går imod almindelige antagelser.

Den første handler om udvidet ræsonnering. Med 27B Qwen-modellen nåede almindelig grådig afkodning 61,0 procent succes i VirtualHome og 15,4 procent i ALFWorld. Samme model i tænketilstand, med et budget på op til 32.768 output-tokens ifølge artiklens afkodningsindstillinger, nåede 59,0 og 16,9 procent. At lade modellen ræsonnere i langt større omfang gjorde stort set ingen forskel. At tilføje anvendelighedsbegrænsninger til grådig afkodning hævede derimod VirtualHome-succesen fra 61,0 til 98,5 procent. Med forfatternes ord viser det, at "anvendelighedsbegrænsninger står for det meste af gevinsten".

Det er en nyttig korrektion til ideen om, at flere ræsonneringstokens er et generelt middel mod planlægningsfejl. Når fejlen består i at vælge en handling, hvis forudsætninger ikke er opfyldt, stopper mere intern overvejelse den ikke pålideligt. En regel, der gør sådanne handlinger umulige, gør.

Den anden detalje handler om benchmarkens sværhedsgrad. I VirtualHome nåede ubegrænset søgning alene 99,0 procent, det samme som den fulde metode, selvom forfatterne bemærker, at det skete "til den højere genereringsomkostning", der fremgår af deres figurer. En læser, der kun ser på VirtualHome, kunne konkludere, at søgning er alt, hvad der er brug for. ALFWorld viser det modsatte: begrænsninger alene nåede 32,3 procent, ubegrænset søgning 29,2 procent, og kombinationen 95,5 procent. Forfatterne tilskriver den større forskel et sværere planlægningsproblem. Vellykkede planer fra 27B-modellen havde i gennemsnit 8,0 handlinger på højt niveau i ALFWorld og 6,4 i VirtualHome, med maksima på 30 og otte, og ALFWorld "introducerer flere instans- og beholderbindinger på hvert trin."

Den generelle lære er, at en nem benchmark kan få to forskellige design til at fremstå som ækvivalente. Først når problemet bliver langt nok og begrænset nok, viser forskellene sig. Enhver, der sammenligner agentarkitekturer, bør teste dem på opgaver, der mindst er lige så lange og lige så stramt begrænsede som dem, de agter at udrulle, ikke på de korteste tilgængelige opgaver.

Eksperimenterne er reproducerbare af design

Endnu et træk ved artiklen er værd at bemærke, fordi det forbinder til et tema andetsteds i denne serie. Forfatterne offentliggør deres afkodningsindstillinger fuldt ud. De begrænsede Qwen-faser kører ved temperatur 0,0. Hvor der anvendes nucleus-sampling, for de supplerende tænke-kørsler og de kropsliggjorte baselines, gentages evalueringerne med tre navngivne seeds: 0, 42 og 1738. Søgning er begrænset til 250 sekunder pr. opgave, og artiklen oplyser, at dens søgehyperparametre "blev valgt empirisk".

Det er disse detaljer, der gør et resultat kontrollerbart. En læser, der vil reproducere arbejdet, ved hvilke indstillinger der skal bruges, hvor mange kørsler der skal laves, og hvor meget variation der kan forventes. De gør også grænserne synlige: empirisk valgte hyperparametre kan have brug for at blive justeret i andre miljøer, og et tidsloft betyder, at nogle opgaver kan fejle på grund af manglende tid snarere end manglende plan. At oplyse begge dele er god praksis. Det er den standard, vi mener, ethvert offentliggjort resultat, inklusive vores egne, bør leve op til. Et resultat, der ikke kan gentages, kan stadig være interessant, men man kan endnu ikke stole på det, og forskellen betyder mest, når resultatet bruges til at begrunde et design.

Ordet er ved at blive et mærkat, så det har brug for en test

Succes avler efterligning, og "neurosymbolsk" bruges nu om systemer, der har lidt til fælles med arkitekturerne i disse artikler. En sprogmodel med en prompt, der siger "tænk trin for trin", kaldes nogle gange neurosymbolsk. Det samme gør en model, der kalder en lommeregner, en chatbot med en regelbaseret hilsen eller et søgesystem, der bruger en database. Hver af dem kombinerer noget neuralt med noget, der ikke er neuralt, og ordet bliver meningsløst, hvis det dækker dem alle.

Vi finder det nyttigt at anvende en simpel test, hentet fra det, der fik resultaterne i 2026 til at fungere. Et system fortjener ordet, når dets symbolske del begrænser eller verificerer den neurale del på en måde, der ændrer, hvad systemet kan producere, og når denne begrænsning kan inspiceres.

I artiklen om den kropsliggjorte agent begrænser PDDL-overgangsmodellen afkodningen til anvendelige handlinger. Sprogmodellen kan bogstaveligt talt ikke producere en ugyldig handling. Det er en begrænsning, der ændrer outputrummet, og overgangsmodellen kan læses af alle. I GraphRAG-artiklen opbygges vidensgrafen efter erklærede regler fra autoritative registre, og sprogmodellen modtager kun evidens fra den graf. Oprindelsen af hver kant kan kontrolleres. Begge systemer består testen.

En prompt, der beder en model om at ræsonnere omhyggeligt, består ikke. Den kan forbedre output, men den begrænser det ikke, og intet i den kan inspiceres for at se, hvad modellen har lov til at sige. En model, der må kalde en lommeregner, består kun delvist: lommeregnerens resultat er præcist, men modellen beslutter, om den skal kalde den, og hvad den skal gøre med resultatet, og intet forhindrer den i at ignorere resultatet eller selv udføre regnestykket. Testen handler ikke om renhed. Den handler om, hvor garantierne kommer fra.

Spørgsmål at stille til et system, der gør krav på ordet

For organisationer, der vurderer systemer beskrevet som neurosymbolske, oversættes testen til nogle få konkrete spørgsmål.

Hvad forhindrer den symbolske del? Et brugbart svar navngiver en klasse af output, som systemet ikke kan producere, såsom ugyldige handlinger, ubegrundede påstande eller regelbrud, og forklarer mekanismen. Et svar, der siger, at den symbolske del "guider" eller "informerer" modellen, uden at navngive noget, den forhindrer, er et tegn på, at garantien er blød.

Kan den symbolske del læses? Regler, begrænsninger, ontologier og overgangsmodeller bør være tilgængelige for inspektion for de personer, der er afhængige af systemet, i det mindste i den form, der er relevant for deres beslutninger. Hvis det symbolske lag selv er en indlært, uigennemsigtig komponent, giver det ikke den slags garanti, der gør neurosymbolske design værdifulde.

Hvor stopper oprindelsen? Følg henvisningerne for ethvert svar. Fører de til autoritative kilderegistre gennem sporbare trin, eller til mellemliggende tekster skrevet af en model? GraphRAG-oprindelsesrevisionen er en skabelon til denne kontrol.

Hvor er fejlene? Bed om en opdeling af fejltilfælde efter komponent. Et velopdelt system bør kunne sige, om dets fejl opstår i perception, grounding, søgning, ræsonnering eller generering. Et system, der ikke kan sige det, er enten ikke opdelt eller ikke målt.

Hvad registreres? Spørg, om systemet registrerer den vej, det tog, herunder hvad det læste, og hvilke komponenter der bidrog, ikke kun det endelige svar. Resultaterne fra det agentiske GraphRAG viser, hvorfor dette er vigtigt.

Ingen af disse spørgsmål kræver dyb ekspertise at stille. Alle skiller arkitekturer, der giver kontrollerbare garantier, fra systemer, der bruger ordforrådet.

Hvorfor dette er vigtigt for forklaring og tilsyn

Der er en regulatorisk dimension i disse resultater, som er værd at fremhæve, fordi den forbinder forskningsarkitektur med forpligtelser, der vil gælde for mange organisationer.

AI-forordningen stiller store krav til forklaringer. Artikel 13 kræver, at højrisikosystemer designes, så de, der tager dem i brug, kan fortolke deres output og anvende det korrekt. Artikel 14 kræver, at personer, der er udpeget til tilsyn, kan fortolke systemets output korrekt og beslutte at se bort fra det, tilsidesætte det eller rulle det tilbage. Artikel 86 giver berørte personer ret til klare og meningsfulde forklaringer på, hvilken rolle et AI-system spiller i visse beslutninger. Disse forpligtelser gælder for højrisikosystemer fra december 2027 eller august 2028 efter Digital Omnibus, men de designvalg, der gør dem opnåelige, træffes nu.

Et faktoriseret, neurosymbolsk system er langt lettere at forklare end en end-to-end-model, netop af de grunde, som artiklerne fra 2026 viser. Når en plan er eksekverbar per konstruktion under en transitionsmodel, er forklaringen på, hvorfor et trin var tilladt, en henvisning til den regel, der tillod det. Når et svar citerer kanter, der kan spores til autoritative registreringer, er forklaringen på, hvorfor en påstand blev fremsat, kæden af registreringer. Når fejl lokaliseres til en komponent, angiver forklaringen på, hvorfor systemet tog fejl, den pågældende komponent. Hver forklaring er en udtalelse om noget, der eksisterer og kan undersøges, ikke en efterrationalisering af en neural beregning.

Det gør ikke forklaringen triviel. Nogen skal stadig oversætte regler og registreringer til et sprog, som en berørt person kan forstå. Men det ændrer opgavens karakter fra rekonstruktion til præsentation. Rekonstruktion spørger "hvad kan have forårsaget dette output?" og kan kun tilbyde hypoteser. Præsentation spørger "hvordan viser vi de regler og registreringer, der frembragte dette output?" og kan tilbyde evidens. For tilsyn og for retten til forklaring er den forskel afgørende.

Det er også grunden til, at vi mener, at effektivitetsresultaterne bør interessere tilsynsmyndigheder såvel som ingeniører. En lille, begrænset model, der er billigere at køre, er også en model, der er billigere at revidere: den kan hostes der, hvor revisoren kan nå den, fastlåses til en version i en undersøgelses varighed og afspilles deterministisk på de samme input. Argumenterne om suverænitet, energi og ansvarlighed for strukturerede små systemer viser sig at være det samme argument set fra tre sider.

Hvad vi tager med os

For vores eget arbejde bekræfter resultaterne fra 2026 tre designbeslutninger og skærper en fjerde.

De bekræfter, at små modeller med struktur kan overgå store modeller uden på opgaver, der kræver pålidelighed. Det er præmissen bag Looms routing på tværs af 528 specialister: de fleste spørgsmål besvares bedst af den rette specialist, ofte en lille model eller en symbolsk løser, frem for af den største tilgængelige model. Ablationen med den kropsliggjorte agent er det klareste offentliggjorte bevis, vi kender, på at denne præmis holder for planlægning.

De bekræfter, at viden bør opbygges fra autoritative kilder med erklærede regler og citeres med sin kilde. Dweves videnslag citerer hver enkelt vidensdel, der bruges i et svar, med node og versionshash, så en gennemlæser kan følge citatet til den præcise registrering og version. GraphRAG-proveniensrevisionen viser, hvad der går tabt, når den kæde stopper ved en modelgenereret mellemled.

De bekræfter, at registrering af vejen betyder lige så meget som registrering af svaret. Agentic GraphRAG-artiklens fund om besøgte, men ikke-citerede entiteter er netop grunden til, at Knot registrerer læsninger og mellemliggende trin, og grunden til, at Looms spor viser, hvilke specialister der bidrog.

Og de skærper vores opmærksomhed på forankringen. Begge artikler placerer deres resterende fejl netop der, hvor verden, eller kilden, oversættes til den symbolske repræsentation. Det er grænsen, hvor neural perception overdrager til symbolsk ræsonnement, og det er her, verifikationsindsatsen bør samles. Et symbolsk lag, der ræsonnerer perfekt over en forkert tilstand, giver et selvsikkert forkert svar. Det ingeniørmæssige spørgsmål for det kommende år er, hvordan man gør den grænse lige så kontrollerbar som lagene på hver side af den.

Renæssancen, med tal

For et år siden var påstanden om, at neurosymbolske systemer ville overgå rene sprogmodeller på opgaver, der kræver pålidelighed, et argument. I 2026 har den tal: over 90 procent succes for små åbne modeller på husholdningsplanlægning, en agent med 4 milliarder parametre, der slår en direkte politik med 27 milliarder parametre med stor margin, begrænsninger og søgning, der hver især løser under en tredjedel af opgaverne alene og over 95 procent tilsammen, og hver kant i en ontologibygget graf kan spores til sin kilde mod 83 procent for en udtrukket en.

Tallene kommer med forbehold, og forbeholdene er lige så vigtige som resultaterne. Men retningen er klar. Når et AI-system skal have ret på måder, der kan kontrolleres, er struktur ikke en hindring for formåen. Det er en af dens kilder.

Hvorfor benchmarkdesignet betyder lige så meget som resultatet

Der er en bredere metodisk lektie i begge artikler, som fortjener en kort bemærkning, fordi den har betydning for, hvordan hele feltet bør evaluere systemer, der hævder at være pålidelige.

Begge artikler måler noget andet end flydende sprog. Artiklen om den kropsliggjorte agent måler succes: blev husholdningsopgaven udført i miljøet? Artiklen om GraphRAG måler herkomst: kan hver kant, og hver henvisning, spores til en autoritativ registrering? Ingen af dem er primært afhængige af, hvorvidt et svar læses godt, eller matcher en referencetekst. Det er væsentligt, fordi en stor del af AI-evaluering stadig belønner overfladisk kvalitet. Arbejdet i "Why Neighborhoods Matter"-linjen og beslægtet evalueringsforskning har fremført samme pointe fra en anden vinkel: leksikalsk overlap med et referencesvar kan være højt, mens evidensen for svaret mangler.

For organisationer, der evaluerer AI-systemer til beslutninger, der betyder noget, er lektien at spørge, hvad et benchmark måler, før man spørger, hvilken score et system opnåede. Et system, der scorer godt på et flydendehedsbaseret benchmark, kan stadig producere planer, der ikke kan eksekveres, eller svar, hvis henvisninger ikke fører nogen steder hen. Et system, der scorer godt på eksekverbarhed eller herkomst, har demonstreret noget tættere på, hvad en beslutningstager har brug for. Vi vil gerne se flere indkøbsevalueringer designet som disse to artikler: med en opgave, der enten lykkes eller mislykkes på en kontrollerbar måde, og med en revision af, hvor hvert svars evidens kom fra.

Kilder