布尔程序
在离散事实与规则上进行前向和后向链式推理，面向需要显式演绎的任务。
研究说明 / TL—001
工作命题 · 公开实现推理应当具有可见的结构。
Tensor Logic 研究如何通过张量方程表达事实、关系、约束与学习到的表示，使推理过程中的部分结构能够在自由语言生成之外被组合、评分和检验。
研究项目Tensor Logic
实现方式开源
许可证MIT
研究命题 / 01
流畅生成并不等于显式推理。
01语言模型擅长预测与综合信息。但当任务依赖命名关系、多步组合或硬约束时，支撑答案的结构可能仍然隐含在生成文本之中。
02Tensor Logic 将张量视为事实和学习到的关系，将方程视为作用于这些张量的程序。目标不是替代语言模型，而是让智能体系统中的部分推理拥有可以直接检查和评估的表示。
03在 MokenLogic 中，Tensor Logic 可以成为持久记忆与模型推理之间的候选推理底座：记忆保存结构化经验，张量运算组合相关关系，语言模型负责理解与表达结果。
最小形式表达 / 02
实体成为向量，关系成为变换。
在公开实现中，一项关系可以由学习得到的矩阵表示，并通过双线性运算对候选三元组进行评分。
score(s, r, o) = sᵀ Wᵣ o
s 主语嵌入Wᵣ 关系矩阵o 宾语嵌入
关系组合示例
founded ∘ developsAlice → Atlasfounded(Alice, Acme)develops(Acme, Atlas)同一套系统可以运行在严格布尔模式或连续可学习模式下。具体保证取决于所选模式与数据，而不是仅由 Tensor Logic 这一名称决定。
公开实现 / 03
多种推理机制，共用一套张量语言。
嵌入空间推理
学习实体嵌入与关系矩阵，再通过与关系相关的分数对候选主语或宾语排序。
学习关系组合
门控多跳组合器可以从示例中学习有效关系路径，而不必手工写出每条路径。
谓词发现
实验性地使用 RESCAL 分解，从知识库中发现潜在关系结构。
技术边界 / 04
相邻系统解决的是不同部分的问题。
系统主要作用仍需解决
向量检索
寻找与查询相似的上下文。
关系组合与约束位于检索步骤之外。
知识图谱
保存命名实体与关系边。
推理仍需要规则、遍历或学习得到的评分器。
语言模型
预测并综合灵活的语言。
支撑答案的关系路径可能仍然隐含。
Tensor Logic
组合并评分显式关系运算。
需要结构化领域、实体与关系。
Tensor Logic 不是开放式搜索引擎或通用自由问答系统。结构化查询、已注册实体、候选集合以及经过训练或定义的关系，仍是其使用契约的一部分。
公开证据 / 05
可复现的基准，以及有边界的结论。
公开仓库报告了 TensorLogic RESCAL 在 FB15k-237 上的过滤式链接预测结果：14,541 个实体、237 种关系和约 31 万条三元组。
MRR0.347
H@10.258
H@30.382
H@100.524
这些数字是当前实现与基准协议的证据，并不能证明同等表现会直接迁移到开放领域智能体记忆、自由推理或生产工作负载。
公开仓库目前提供
- 布尔与连续模式示例
- 嵌入空间关系评分
- 多跳关系组合实验
- RESCAL 谓词发现实验
- FB15k-237 训练与评估脚本
已记录的限制
- 实体与关系必须在工作领域中完成注册或学习。
- 开放式网络搜索与自由问答不属于当前库的目标。
- 类型化嵌入空间与通用 Datalog 求解器尚未实现。
- 与持久智能体记忆的整合仍是 MokenLogic 的活跃研究方向。
MokenLogic / Tensor Logic