CoTu在EXACT 2026：面向透明教育问答的神经符号推理

CoTu团队在EXACT 2026竞赛中，使用不超过4B参数的开放权重语言模型，构建了神经符号Program-of-Thought管道。该管道将推理问题转化为符号程序（Z3编码或数值Python），通过执行程序得到答案并附自然语言解释。系统在物理多步解题任务中获得满分，最终技术评分13.44/15（所有团队最高），综合排名第三。

此前教育QA多依赖大型专有模型，不可解释且成本高。CoTu证明自托管小模型（4B）结合符号求解器，能在透明性要求高的任务中达到甚至超越大模型性能，为低资源可解释AI部署提供新路径。

系统采用Program-of-Thought范式：模型不直接输出答案，而是生成符号程序（Z3编码用于逻辑推理，Python用于数值计算）；通过执行程序获得确定性结果，并自动生成可读解释。自纠错循环、蒸馏微调和SGLang推测解码等技术确保在60秒/查询的延迟限制内运行。

该方案可直接用于构建自托管的教育问答产品，避免调用外部大模型API的成本和隐私风险；但前提选择（从文本中提取相关事实）仍是瓶颈，影响端到端全自动体验。

• 面向高校或在线教育平台，开发基于自托管小模型+符号求解器的可解释问答工具，覆盖课程规则查询和物理计算题。
• 将Program-of-Thought管道封装为API，供企业或学校集成到内部门户，实现透明且低成本的智能答疑。
• 利用蒸馏微调技术，将8B以内模型适配到特定学科（如物理、法学），产出可走读的符号化推理答案。

• Premise selection（前提选择）的准确率如何？是否有改进方法？
• 该方案在更广泛的学科（如化学、历史）上是否同样有效？
• 整个系统的部署成本（硬件、调优时间）具体是多少？
• 是否已在生产环境中经过多用户并发测试？