这篇论文介绍了一个基于科学问题的 AI2 Reasoning Challenge（ARC）的新问题集、文本语料库和基线模型的构建，这需要比之前的挑战如 SQuAD 或 SNLI 更强大的知识和推理能力，包含了自然、初中科学问题的最大公共数据集，并测试了几种基线模型，但没有一种能够有效地解决这个艰巨的任务。

Mar, 2018

本文提出了一套完整的科学问题解答所需的知识和推理类型定义方法，回答 ARC 数据集中的问题需要的标注信息分布和相关统计的分析，证明了人工选取的相关句子能够提高神经机器理解模型的 42 个百分点的性能。

Jun, 2018

本文提出了一种新的答题框架，其使用两个上下文知识图谱中的神经嵌入来解决自然科学考试问题，该模型在 AI2 Reasoning Challenge 上表现出优异的性能。

May, 2018

本文提出一种基于图形抽象的对象中心框架，使用 DSL 进行程序综合，引入了约束获取、状态哈希和禁忌搜索，成功的解决了 ARC 的复杂对象中心任务，并生成了正确而易于理解的程序。

Oct, 2022

本研究提出了一种基于自然语言描述任务的方法框架来解决人工智能中的 Abstraction and Reasoning Corpus (ARC) 问题，虽然尚未击败当前最先进的 DSL 模型，但我们证明了我们的方法具有巨大的潜力，可以解决以前不能解决的任务。

Mar, 2023

该研究介绍了一种利用程序综合方法来推理和解决抽象推理测验（ARC）任务的系统，其中实现了一种特定领域语言 Visual Imagery Reasoning Language （VIMRL），并且通过分解搜索空间和本地搜索来优化大的搜索空间，最终在 ARC 公开测试和私有测试中表现卓越。

Feb, 2023

本文通过采用复合策略 - 决策转换和推拉聚类方法来增强人工智能的 ARC 问题解决技能和推进未来的人工智能研究，并强调了对高级数据收集工具、强大的训练数据集和精细的模型结构的需求。

Jun, 2023

使用大型语言模型（LLMs），尤其是 GPT4，通过文本赋予模型一些人类先验知识，并使用一些常见过程对 ARC 任务进行求解，结果表明当利用视觉问答工具作为图像解释工具，并具有过去记忆的多智能体系统进行扩展后，我们可以解决大多数的 ARC 挑战问题。

Jun, 2023

通过使用 Abstraction and Reasoning Corpus（ARC）作为基准，我们介绍了一种与人类生成的自然程序相一致的以对象为中心的模型，这些模型不仅可以进行预测，还可以为输入 / 输出对提供联合描述，并且通过最小描述长度（MDL）原则在大型模型空间中高效搜索。我们解决了多样化的任务，并且学得的模型与自然程序相似。同时，我们还展示了我们的方法的广泛适用性。

Nov, 2023

本文提出了一种基于神经信息检索和重新排名的自动问答系统，利用包含 6.3M 问题和回答对的数据库，实现了开放域问答并超越了传统的非结构化文本或图形搜索方法，并证明了基于 Transformer 模型的 (q,a) 对比仅考虑问题表示更优，该方法具有和在 BING 搜索引擎上构建的 QA 系统竞争的优点。

Mar, 2023