Badacze z arXiv opracowali neuro-symboliczny system agentowy do wzmacniania zdolności rozumowania małych modeli językowych na bazie testów kinship z benchmarku CLUTRR. Zamiast polegać na kosztownych dużych modelach LLM, transformowali SLMy takie jak Gemma 3 (1B, 4B) i Llama 3.2 (3B) w minimalnych agentów z dwoma wyspecjalizowanymi narzędziami: extract_facts do symbolicznej ekstrakcji tripletów oraz get_hint do ekspertyzowego rozumowania poprzez relacyjne grafy splotowe (RGCN).
Szystematyczne testy pokazały obiecujące wyniki - podpowiedzi pochodzące z RGCN dały wzrost wydajności 1,5 do 2x w porównaniu z baselines opartymi wyłącznie na tekstach. Jednak system zmaga się z istotnymi ograniczeniami. Wąskie gardło stanowi etap ekstrakcji faktów - błędy w tym miejscu łańcuchowo się propagują w zadaniach wieloskokowych, gdzie każda zła decyzja komplikuje kolejne kroki dedukcji.
Badanie zidentyfikowało także interesujące zjawisko nazwane efektem rozpraszającym - w niektórych architekturach hałaśliwe, samogenerowane fakty pogorszały wydajność mimo obecności ekspertowych wskazówek. Praca charakteryzuje fundamentalne wyzwania ugruntowania symbolicznego w systemach agentowych o niskich zasobach i zaznacza potrzebę iteracyjnej weryfikacji w hybrydowych podejściach neuro-symbolicznych.