في عالم النماذج اللغوية الكبيرة (Large Language Models) التي حققت تقدمًا ملحوظًا في معالجة اللغة الطبيعية، لا تزال تواجه تحديات في التفكير الرياضي، حيث تنتج أحيانًا حلولًا متناسقة ولكن غير منطقية. لكن الجديد في هذا المجال هو ظهور نموذج extbf{NeuroProlog}، الإطار العصبي الرمزي الذي يضمن استدلالًا قابلًا للتحقق عن طريق تحويل مشكلات الرياضيات النصية إلى برامج مصممة بلغة البرمجة Prolog مع ضمانات للتحقق الرسمي.

تعتمد NeuroProlog على استراتيجية تدريب فريدة تُعرف باسم تدريب الكوكتيل (Cocktail training)، والتي تعمل على تحسين ثلاثة أهداف متكاملة في فضاء تمثيلي رمزي موحد:
1. ترجمة الصيغ الرياضية إلى قواعد (Knowledge Base).
2. تحويل اللغة الطبيعية إلى برامج (SOLVE).
3. محاذاة البرنامج مع الإجابات.

هذه الإشرافية المشتركة تعزز من النقل الإيجابي (Positive Transfer)، حيث تسهم根ّاة الصيغ في تحسين قدرات التفكير التكويني. في مرحلة الاستدلال، يتم إدخال خط أنابيب تحليل تنفيذي مع تصنيف دقيق للأخطاء، مما يمكن المعالجة المتكررة للبرامج ويحدد قدرة النموذج على التصحيح الذاتي.

تظهر التقييمات على مجموعة بيانات GSM8K عبر مقاييس مختلفة أن تدريب الكوكتيل يعزز الدقة مقارنةً بالأسس أحادية المهام، مع مكاسب ذات دلالة إحصائية لمعظم النماذج المت evaluated.
كما تكشف تحليلات الأخطاء عن اختلافات في سلوك تصحيح الأخطاء حسب الحجم: النماذج الأكبر تظهر أخطاء يمكن تصحيحها بسهولة، بينما تُظهر النماذج الأصغر أخطاءً تركيبية أقل ولكن تعاني من فشل دلالي مستمر. تشير هذه الاكتشافات إلى أن سعة النموذج تؤثر على اكتساب التفكير الرمزي الموثوق وقدرات التصحيح الذاتي.