布林程式
在離散事實與規則上進行前向和後向鏈式推理，面向需要顯式演繹的任務。
技術說明 / TL—001
工作命題 · 公開實作推理應當具有可見的結構。
Tensor Logic 研究如何透過張量方程式表達事實、關係、限制與學習到的表示，使推理過程中的部分結構能夠在自由語言生成之外被組合、評分和檢驗。
研究命題 / 01
流暢生成並不等於顯式推理。
01語言模型擅長預測與綜合資訊。但當任務依賴具名關係、多步組合或硬性限制時，支撐答案的結構可能仍然隱含在生成文字之中。
02Tensor Logic 將張量視為事實和學習到的關係，將方程式視為作用於這些張量的程式。目標不是取代語言模型，而是讓智慧體系統中的部分推理擁有可以直接檢查和評估的表示。
03在 MokenLogic 中，Tensor Logic 可以成為持久記憶與模型推理之間的候選推理基底：記憶保存結構化經驗，張量運算組合相關關係，語言模型負責理解與表達結果。
最小形式表達 / 02
實體成為向量，關係成為變換。
在公開實作中，一項關係可以由學習得到的矩陣表示，並透過雙線性運算對候選三元組進行評分。
score(s, r, o) = sᵀ Wᵣ o
s 主語嵌入Wᵣ 關係矩陣o 賓語嵌入
關係組合範例
founded ∘ developsChen → Geometryfounded(Chen, Institute)develops(Institute, Geometry)同一套系統可以運行在嚴格布林模式或連續可學習模式下。具體保證取決於所選模式與資料，而不是僅由 Tensor Logic 這一名稱決定。
公開實作 / 03
多種推理機制，共用一套張量語言。
嵌入空間推理
學習實體嵌入與關係矩陣，再透過與關係相關的分數對候選主語或賓語排序。
學習關係組合
門控多跳組合器可以從範例中學習有效關係路徑，而不必手動寫出每條路徑。
謂詞發現
實驗性地使用 RESCAL 分解，從知識庫中發現潛在關係結構。
技術邊界 / 04
相鄰系統解決的是不同部分的問題。
系統主要作用仍待解決
向量檢索
尋找與查詢相似的上下文。
關係組合與限制位於檢索步驟之外。
知識圖譜
保存具名實體與關係邊。
推理仍需要規則、走訪或學習得到的評分器。
語言模型
預測並綜合靈活的語言。
支撐答案的關係路徑可能仍然隱含。
Tensor Logic
組合並評分顯式關係運算。
需要結構化領域、實體與關係。
Tensor Logic 不是開放式搜尋引擎或通用自由問答系統。結構化查詢、已註冊實體、候選集合以及經過訓練或定義的關係，仍是其使用契約的一部分。
公開證據 / 05
可重現的基準，以及有邊界的結論。
公開儲存庫報告了 TensorLogic RESCAL 在 FB15k-237 上的過濾式連結預測結果：14,541 個實體、237 種關係和約 31 萬條三元組。
MRR0.347
H@10.258
H@30.382
H@100.524
這些數字是當前實作與基準協定的證據，並不能證明同等表現會直接遷移到開放領域智慧體記憶、自由推理或生產工作負載。
公開儲存庫目前提供
- 布林與連續模式範例
- 嵌入空間關係評分
- 多跳關係組合實驗
- RESCAL 謂詞發現實驗
- FB15k-237 訓練與評估腳本
已記錄的限制
- 實體與關係必須在工作領域中完成註冊或學習。
- 開放式網路搜尋與自由問答不屬於當前函式庫的目標。
- 型別化嵌入空間與通用 Datalog 求解器尚未實作。
- 與持久智慧體記憶的整合仍是 MokenLogic 產品中的推進方向。
MokenLogic / Tensor Logic