How to Build Models Without Language, with Logical Intelligence

A public Sudoku experiment this year produced a striking result. According to Logical Intelligence, a panel of frontier large language models, including OpenAI's GPT-5.2, Claude Opus 4.5 and Sonnet 4.5, Gemini 3 Pro, and DeepSeek V3.2, collectively solved only 2% of the puzzles and burned around $11,000 in API calls. A model named Kona, about a thousand times smaller, solved 96.2% for only $4 in GPU time.

The gap is not really about Sudoku. Sudoku's rules are well-defined and simple enough for a ten-year-old to learn, which is exactly why the result is surprising. LLMs are the most capable AI models built around language, but many everyday tasks require intelligence beyond language. Some demand spatial or dimensional reasoning, others depend on logic, planning, or emotional awareness, and much of what people do cannot be fully verbalized. Extrapolation and creativity are what make intelligence feel alive rather than mechanical.

Yann LeCun, a Turing Award winner and deep learning pioneer, has argued for years that text alone will not produce real intelligence. The approach of Logical Intelligence, founded by Eve Bodnia, relies on energy-based reasoning models (EBRMs) such as Kona. These models are designed to handle constraint problems that LLMs struggle with.

LLMs work by predicting the most plausible next token in a sequence. This design has produced strong results in translation, summarization and code generation, but it is not well suited to every problem. For tasks that require other forms of intelligence, EBRMs offer a different path, with latent reasoning that is more reliable and verification and safety handled differently from LLM systems.

أسفرت تجربة عامة للسودوku أُجريت هذا العام عن نتيجة لافتة. فوفقاً لشركة Logical Intelligence، فإن مجموعة من نماذج اللغة الكبيرة المتقدمة، ومنها GPT-5.2 من OpenAI وClaude Opus 4.5 وSonnet 4.5 وGemini 3 Pro وDeepSeek V3.2، حلّت مجتمعةً 2% فقط من الألغاز، وأنفقت نحو 11 ألف دولار على استدعاءات واجهة البرمجة. أما نموذج يُدعى Kona، وهو أصغر بنحو ألف مرة، فقد حلّ 96.2% منها بتكلفة 4 دولارات فقط من وقت وحدة معالجة الرسوميات.

ولا يدور هذا الفارق في الحقيقة حول السودوku. فقواعد السودوku واضحة ومحددة وبسيطة بما يكفي لأن يتعلمها طفل في العاشرة، ولهذا تبدو النتيجة مدهشة. فنماذج اللغة الكبيرة هي أقوى نماذج الذكاء الاصطناعي المبنية حول اللغة، لكن كثيراً من المهام اليومية تتطلب ذكاءً يتجاوز اللغة. فبعضها يتطلب استدلالاً مكانياً أو بُعدياً، وبعضها يعتمد على المنطق أو التخطيط أو الإدراك العاطفي، وكثير مما يفعله الناس لا يمكن التعبير عنه بالكلمات كاملاً. فالاستقراء والإبداع هما ما يجعل الذكاء يبدو حياً لا آلياً.

وقد ظل Yann LeCun، الحائز على جائزة تورينغ والرائد في التعلم العميق، يجادل لسنوات بأن النص وحده لن ينتج ذكاءً حقيقياً. ويعتمد نهج Logical Intelligence، التي أسستها Eve Bodnia، على نماذج الاستدلال القائمة على الطاقة (EBRM) مثل Kona. وقد صُممت هذه النماذج لمعالجة مسائل القيود التي تواجه نماذج اللغة الكبيرة صعوبة معها.

تعمل نماذج اللغة الكبيرة بالتنبؤ بالرمز التالي الأرجح في سلسلة ما. وقد حقق هذا التصميم نتائج قوية في الترجمة والتلخيص وتوليد الشيفرات، لكنه غير مناسب لكل مشكلة. أما بالنسبة للمهام التي تتطلب أشكالاً أخرى من الذكاء، فتقدم نماذج EBRM مساراً مختلفاً، يتميز باستدلال كامن أكثر موثوقية، مع معالجة للتحقق والسلامة تختلف عن أنظمة نماذج اللغة الكبيرة.

এ বছর একটি জনসমক্ষে সুডোকু পরীক্ষা চমকপ্রদ ফল দিয়েছে। Logical Intelligence-এর মতে, OpenAI-এর GPT-5.2, Claude Opus 4.5 ও Sonnet 4.5, Gemini 3 Pro এবং DeepSeek V3.2 সহ শীর্ষস্থানীয় বড় ভাষা মডেলগুলোর একটি দল মিলিতভাবে মাত্র ২% ধাঁধা সমাধান করেছে এবং API কলে প্রায় ১১,০০০ ডলার খরচ করেছে। Kona নামের একটি মডেল, যা প্রায় এক হাজার গুণ ছোট, মাত্র ৪ ডলার GPU সময়ে ৯৬.২% সমাধান করেছে।

এই ব্যবধান আসলে সুডোকু নিয়ে নয়। সুডোকুর নিয়মাবলি সুস্পষ্ট ও এতটাই সরল যে একজন দশ বছরের শিশুও তা শিখতে পারে, আর ঠিক এ কারণেই ফলাফলটি বিস্ময়কর। LLM হলো ভাষার ওপর ভিত্তি করে গড়া সবচেয়ে সক্ষম AI মডেল, কিন্তু দৈনন্দিন অনেক কাজের জন্য ভাষার বাইরের বুদ্ধি প্রয়োজন। কিছু কাজে স্থানিক বা মাত্রিক যুক্তির দরকার, কিছু যুক্তি, পরিকল্পনা বা আবেগীয় সচেতনতার ওপর নির্ভর করে, আর মানুষের অনেক কাজই পুরোপুরি শব্দে প্রকাশ করা যায় না। অনুমান ও সৃজনশীলতাই বুদ্ধিকে যান্ত্রিক নয়, জীবন্ত করে তোলে।

টিউরিং পুরস্কার বিজয়ী ও ডিপ লার্নিংয়ের অগ্রদূত Yann LeCun বছরের পর বছর ধরে যুক্তি দিয়ে আসছেন যে শুধু টেক্সট থেকে প্রকৃত বুদ্ধি তৈরি হবে না। Eve Bodnia প্রতিষ্ঠিত Logical Intelligence-এর পদ্ধতি Kona-এর মতো শক্তি-ভিত্তিক যুক্তি মডেল (EBRM)-এর ওপর নির্ভর করে। এই মডেলগুলো এমন সীমাবদ্ধতা-সমস্যা সামলাতে তৈরি, যেগুলোতে LLM-এর হিমশিম খেতে হয়।

LLM একটি ক্রমের মধ্যে সবচেয়ে সম্ভাব্য পরবর্তী টোকেন অনুমান করে কাজ করে। এই নকশা অনুবাদ, সারসংক্ষেপ ও কোড তৈরিতে শক্তিশালী ফল দিয়েছে, কিন্তু প্রতিটি সমস্যার জন্য এটি উপযুক্ত নয়। অন্য ধরনের বুদ্ধির প্রয়োজন হয় এমন কাজের জন্য EBRM একটি ভিন্ন পথ দেয়, যেখানে সুপ্ত যুক্তি অধিক নির্ভরযোগ্য এবং যাচাই ও নিরাপত্তা LLM ব্যবস্থার চেয়ে ভিন্নভাবে পরিচালিত হয়।

Ein öffentliches Sudoku-Experiment in diesem Jahr brachte ein auffälliges Ergebnis hervor. Laut Logical Intelligence lösten eine Gruppe führender großer Sprachmodelle, darunter GPT-5.2 von OpenAI, Claude Opus 4.5 und Sonnet 4.5, Gemini 3 Pro und DeepSeek V3.2, zusammen nur 2 % der Rätsel und verbrauchten dabei rund 11.000 Dollar an API-Aufrufen. Ein Modell namens Kona, etwa tausendmal kleiner, löste 96,2 % für lediglich 4 Dollar GPU-Zeit.

Die Lücke betrifft eigentlich nicht nur Sudoku. Die Regeln von Sudoku sind klar definiert und einfach genug, dass ein Zehnjähriger sie lernen kann, und genau deshalb ist das Ergebnis überraschend. LLMs sind die leistungsfähigsten KI-Modelle, die um Sprache herum aufgebaut sind, doch viele alltägliche Aufgaben erfordern Intelligenz jenseits der Sprache. Manche verlangen räumliches oder dimensionales Denken, andere beruhen auf Logik, Planung oder emotionalem Gespür, und vieles, was Menschen tun, lässt sich nicht vollständig in Worte fassen. Extrapolation und Kreativität sind es, die Intelligenz lebendig statt mechanisch wirken lassen.

Yann LeCun, Turing-Preisträger und Pionier des Deep Learning, argumentiert seit Jahren, dass Text allein keine echte Intelligenz hervorbringt. Der Ansatz von Logical Intelligence, gegründet von Eve Bodnia, stützt sich auf energiebasierte Reasoning-Modelle (EBRMs) wie Kona. Diese Modelle sind dafür ausgelegt, Constraint-Probleme zu bewältigen, mit denen LLMs ihre Schwierigkeiten haben.

LLMs arbeiten, indem sie das wahrscheinlichste nächste Token in einer Sequenz vorhersagen. Dieses Design hat bei Übersetzung, Zusammenfassung und Codegenerierung starke Ergebnisse erzielt, eignet sich aber nicht für jedes Problem. Für Aufgaben, die andere Formen von Intelligenz erfordern, bieten EBRMs einen anderen Weg, mit zuverlässigerem latentem Schließen und mit Verifikation und Sicherheit, die anders gehandhabt werden als bei LLM-Systemen.

Un experimento público de Sudoku realizado este año produjo un resultado sorprendente. Según Logical Intelligence, un grupo de modelos de lenguaje de gran tamaño de vanguardia, entre ellos GPT-5.2 de OpenAI, Claude Opus 4.5 y Sonnet 4.5, Gemini 3 Pro y DeepSeek V3.2, resolvió en conjunto solo el 2 % de los puzles y gastó alrededor de 11 000 dólares en llamadas a la API. Un modelo llamado Kona, unas mil veces más pequeño, resolvió el 96,2 % por solo 4 dólares de tiempo de GPU.

La brecha no trata realmente sobre el Sudoku. Las reglas del Sudoku están bien definidas y son lo bastante simples como para que un niño de diez años las aprenda, y precisamente por eso el resultado sorprende. Los LLM son los modelos de IA más capaces construidos en torno al lenguaje, pero muchas tareas cotidianas requieren una inteligencia que va más allá del lenguaje. Algunas exigen razonamiento espacial o dimensional, otras dependen de la lógica, la planificación o la sensibilidad emocional, y gran parte de lo que las personas hacen no puede expresarse por completo con palabras. La extrapolación y la creatividad son lo que hace que la inteligencia parezca viva y no mecánica.

Yann LeCun, premio Turing y pionero del aprendizaje profundo, ha defendido durante años que el texto por sí solo no producirá una inteligencia real. El enfoque de Logical Intelligence, fundada por Eve Bodnia, se basa en modelos de razonamiento basados en energía (EBRM), como Kona. Estos modelos están diseñados para manejar problemas de restricciones con los que los LLM tienen dificultades.

Los LLM funcionan prediciendo el token siguiente más plausible en una secuencia. Este diseño ha dado buenos resultados en traducción, resumen y generación de código, pero no es adecuado para todos los problemas. Para tareas que requieren otras formas de inteligencia, los EBRM ofrecen un camino distinto, con un razonamiento latente más fiable y con la verificación y la seguridad gestionadas de forma diferente a los sistemas basados en LLM.

Une expérience publique de Sudoku menée cette année a donné un résultat frappant. Selon Logical Intelligence, un ensemble de grands modèles de langage de pointe, dont GPT-5.2 d'OpenAI, Claude Opus 4.5 et Sonnet 4.5, Gemini 3 Pro et DeepSeek V3.2, n'ont résolu collectivement que 2 % des grilles, tout en dépensant environ 11 000 dollars en appels d'API. Un modèle baptisé Kona, environ mille fois plus petit, en a résolu 96,2 % pour seulement 4 dollars de temps de GPU.

Le véritable enjeu dépasse le Sudoku. Les règles du Sudoku sont bien définies et suffisamment simples pour qu'un enfant de dix ans les apprenne, ce qui rend ce résultat surprenant. Les LLM sont les modèles d'IA les plus performants conçus autour du langage, mais de nombreuses tâches quotidiennes exigent une intelligence qui dépasse le langage. Certaines demandent un raisonnement spatial ou dimensionnel, d'autres reposent sur la logique, la planification ou la perception émotionnelle, et une grande partie de ce que font les humains ne peut pas être entièrement verbalisée. L'extrapolation et la créativité sont ce qui rend l'intelligence vivante plutôt que mécanique.

Yann LeCun, lauréat du prix Turing et pionnier de l'apprentissage profond, défend depuis des années l'idée que le texte seul ne produira pas une véritable intelligence. L'approche de Logical Intelligence, fondée par Eve Bodnia, repose sur des modèles de raisonnement fondés sur l'énergie (EBRM), comme Kona. Ces modèles sont conçus pour traiter des problèmes de contraintes avec lesquels les LLM peinent.

Les LLM fonctionnent en prédisant le jeton suivant le plus plausible dans une séquence. Cette conception a donné de bons résultats en traduction, en résumé et en génération de code, mais elle n'est pas adaptée à tous les problèmes. Pour les tâches qui nécessitent d'autres formes d'intelligence, les EBRM offrent une voie différente, avec un raisonnement latent plus fiable et une vérification et une sécurité gérées autrement que dans les systèmes LLM.

इस वर्ष एक सार्वजनिक सुडोकू प्रयोग से एक चौंकाने वाला परिणाम सामने आया। Logical Intelligence के अनुसार, OpenAI के GPT-5.2, Claude Opus 4.5 और Sonnet 4.5, Gemini 3 Pro तथा DeepSeek V3.2 सहित अग्रणी बड़े भाषा मॉडलों के एक समूह ने मिलकर केवल 2% पहेलियाँ हल कीं और API कॉल पर लगभग 11,000 डॉलर खर्च कर दिए। Kona नाम का एक मॉडल, जो लगभग एक हजार गुना छोटा है, ने केवल 4 डॉलर के GPU समय में 96.2% हल कर दिए।

यह अंतर वास्तव में सुडोकू के बारे में नहीं है। सुडोकू के नियम स्पष्ट और इतने सरल हैं कि एक दस वर्ष का बच्चा भी उन्हें सीख सकता है, और यही कारण है कि यह परिणाम आश्चर्यजनक है। LLM भाषा के आधार पर बने सबसे सक्षम AI मॉडल हैं, लेकिन कई रोज़मर्रा के कार्यों के लिए भाषा से परे की बुद्धि चाहिए। कुछ में स्थानिक या आयामी तर्क की आवश्यकता होती है, कुछ तर्क, योजना या भावनात्मक समझ पर निर्भर करते हैं, और लोग जो कुछ करते हैं उसका बहुत सा हिस्सा पूरी तरह शब्दों में नहीं कहा जा सकता। अनुमान और रचनात्मकता ही बुद्धि को यांत्रिक नहीं, बल्कि जीवंत महसूस कराती हैं।

ट्यूरिंग पुरस्कार विजेता और डीप लर्निंग के अग्रणी Yann LeCun वर्षों से तर्क देते रहे हैं कि अकेला टेक्स्ट वास्तविक बुद्धि उत्पन्न नहीं करेगा। Eve Bodnia द्वारा स्थापित Logical Intelligence का दृष्टिकोण Kona जैसे ऊर्जा-आधारित तर्क मॉडल (EBRM) पर निर्भर करता है। ये मॉडल ऐसी बाधा-समस्याओं को संभालने के लिए बनाए गए हैं जिनसे LLM जूझते हैं।

LLM किसी अनुक्रम में अगला सबसे संभावित टोकन अनुमानित करके काम करते हैं। इस डिज़ाइन ने अनुवाद, सारांश और कोड निर्माण में मजबूत परिणाम दिए हैं, लेकिन यह हर समस्या के लिए उपयुक्त नहीं है। अन्य प्रकार की बुद्धि वाले कार्यों के लिए EBRM एक अलग मार्ग प्रस्तुत करते हैं, जिसमें गुप्त तर्क अधिक विश्वसनीय है और सत्यापन तथा सुरक्षा LLM प्रणालियों से अलग ढंग से संभाली जाती है।

Sebuah eksperimen Sudoku publik tahun ini menghasilkan temuan yang mencolok. Menurut Logical Intelligence, sekelompok model bahasa besar terdepan, termasuk GPT-5.2 dari OpenAI, Claude Opus 4.5 dan Sonnet 4.5, Gemini 3 Pro, serta DeepSeek V3.2, secara kolektif hanya memecahkan 2% teka-teki dan menghabiskan sekitar $11.000 untuk panggilan API. Sebuah model bernama Kona, sekitar seribu kali lebih kecil, memecahkan 96,2% hanya dengan biaya waktu GPU sebesar $4.

Kesenjangan ini sebenarnya bukan soal Sudoku. Aturan Sudoku jelas dan cukup sederhana untuk dipelajari anak berusia sepuluh tahun, dan justru itulah mengapa hasilnya mengejutkan. LLM adalah model AI paling mumpuni yang dibangun di sekitar bahasa, tetapi banyak tugas sehari-hari membutuhkan kecerdasan yang melampaui bahasa. Sebagian menuntut penalaran spasial atau dimensional, sebagian bergantung pada logika, perencanaan, atau kepekaan emosional, dan banyak hal yang dilakukan manusia tidak dapat sepenuhnya diungkapkan dengan kata-kata. Ekstrapolasi dan kreativitaslah yang membuat kecerdasan terasa hidup, bukan mekanis.

Yann LeCun, peraih Penghargaan Turing dan pelopor pembelajaran mendalam, selama bertahun-tahun berpendapat bahwa teks saja tidak akan menghasilkan kecerdasan sejati. Pendekatan Logical Intelligence, yang didirikan oleh Eve Bodnia, mengandalkan model penalaran berbasis energi (EBRM) seperti Kona. Model-model ini dirancang untuk menangani masalah kendala yang sulit dihadapi LLM.

LLM bekerja dengan memprediksi token berikutnya yang paling masuk akal dalam sebuah urutan. Desain ini telah menghasilkan hasil yang kuat dalam terjemahan, peringkasan, dan pembuatan kode, tetapi tidak cocok untuk setiap masalah. Untuk tugas yang membutuhkan bentuk kecerdasan lain, EBRM menawarkan jalur yang berbeda, dengan penalaran laten yang lebih andal serta verifikasi dan keamanan yang ditangani secara berbeda dari sistem LLM.

今年行われた公開の数独実験は、衝撃的な結果を示しました。Logical Intelligenceによれば、OpenAIのGPT-5.2、Claude Opus 4.5およびSonnet 4.5、Gemini 3 Pro、DeepSeek V3.2といった最先端の大規模言語モデル群は、合計で問題のわずか2%しか解けず、API呼び出しに約1万1000ドルを費やしました。約1000分の1の大きさのKonaというモデルは、わずか4ドルのGPU時間で96.2%を解いたのです。

この差は、実は数独そのものの話ではありません。数独のルールは明確で単純なため、10歳の子どもでも覚えられます。だからこそこの結果は驚きなのです。LLMは言語を中心に構築された最も高性能なAIモデルですが、日常の多くの課題は言語を超えた知性を必要とします。空間的・次元的な推論を要するもの、論理、計画、感情的な察知に依存するものがあり、人間の行動の多くは完全に言語化できません。推論や創造性こそが、知性を機械的ではなく生き生きとしたものにするのです。

チューリング賞受賞者でありディープラーニングの先駆者であるYann LeCunは、テキストだけでは真の知性は生まれないと長年主張してきました。Eve Bodniaが創設したLogical Intelligenceのアプローチは、Konaのようなエネルギーベース推論モデル（EBRM）に基づいています。これらのモデルは、LLMが苦手とする制約問題を扱うために設計されています。

LLMは、系列の中で最も確からしい次のトークンを予測することで動作します。この設計は翻訳、要約、コード生成で強力な成果を上げてきましたが、すべての問題に適しているわけではありません。他の形態の知性を要する課題に対して、EBRMは異なる道筋を提供します。潜在的な推論はより信頼性が高く、検証や安全性の扱い方もLLMシステムとは異なります。

Um experimento público de Sudoku realizado este ano produziu um resultado impressionante. Segundo a Logical Intelligence, um grupo de grandes modelos de linguagem de ponta, incluindo o GPT-5.2 da OpenAI, o Claude Opus 4.5 e o Sonnet 4.5, o Gemini 3 Pro e o DeepSeek V3.2, resolveu coletivamente apenas 2% dos quebra-cabeças e gastou cerca de US$ 11.000 em chamadas de API. Um modelo chamado Kona, cerca de mil vezes menor, resolveu 96,2% deles por apenas US$ 4 de tempo de GPU.

A diferença não é realmente sobre Sudoku. As regras do Sudoku são bem definidas e simples o bastante para que uma criança de dez anos as aprenda, e é exatamente por isso que o resultado surpreende. Os LLMs são os modelos de IA mais capazes construídos em torno da linguagem, mas muitas tarefas cotidianas exigem uma inteligência além da linguagem. Algumas demandam raciocínio espacial ou dimensional, outras dependem de lógica, planejamento ou sensibilidade emocional, e grande parte do que as pessoas fazem não pode ser totalmente verbalizada. A extrapolação e a criatividade são o que tornam a inteligência viva, e não mecânica.

Yann LeCun, vencedor do Prêmio Turing e pioneiro do aprendizado profundo, argumenta há anos que o texto sozinho não produzirá inteligência real. A abordagem da Logical Intelligence, fundada por Eve Bodnia, se apoia em modelos de raciocínio baseados em energia (EBRMs), como o Kona. Esses modelos são projetados para lidar com problemas de restrições que os LLMs têm dificuldade em resolver.

Os LLMs funcionam prevendo o próximo token mais plausível em uma sequência. Esse design tem gerado bons resultados em tradução, sumarização e geração de código, mas não é adequado a todos os problemas. Para tarefas que exigem outras formas de inteligência, os EBRMs oferecem um caminho diferente, com raciocínio latente mais confiável e com verificação e segurança tratadas de forma distinta dos sistemas baseados em LLM.

В этом году публичный эксперимент с судоку дал поразительный результат. По данным Logical Intelligence, группа передовых больших языковых моделей, включая GPT-5.2 от OpenAI, Claude Opus 4.5 и Sonnet 4.5, Gemini 3 Pro и DeepSeek V3.2, в совокупности решила лишь 2% головоломок и потратила около 11 000 долларов на вызовы API. Модель под названием Kona, примерно в тысячу раз меньше, решила 96,2% головоломок всего за 4 доллара машинного времени GPU.

Дело не столько в судоку. Правила судоку чётко определены и достаточно просты, чтобы их освоил десятилетний ребёнок, именно поэтому результат удивляет. LLM — самые способные модели ИИ, построенные вокруг языка, но многие повседневные задачи требуют интеллекта, выходящего за рамки языка. Одни требуют пространственного или многомерного мышления, другие опираются на логику, планирование или эмоциональное восприятие, а многое из того, что делают люди, нельзя полностью выразить словами. Экстраполяция и творчество делают интеллект живым, а не механическим.

Янн Лекун, лауреат премии Тьюринга и один из пионеров глубокого обучения, уже много лет утверждает, что один лишь текст не породит настоящего интеллекта. Подход Logical Intelligence, основанной Эвой Бодня, опирается на модели рассуждений на основе энергии (EBRM), такие как Kona. Эти модели созданы для решения задач с ограничениями, с которыми LLM справляются плохо.

LLM работают, предсказывая наиболее вероятный следующий токен в последовательности. Такая архитектура дала сильные результаты в переводе, суммаризации и генерации кода, но подходит не для всех задач. Для задач, требующих иных форм интеллекта, EBRM предлагают другой путь: более надёжное латентное рассуждение, а проверка и безопасность устроены иначе, чем в системах на основе LLM.

今年一项公开的数独实验产生了引人注目的结果。据Logical Intelligence称，包括OpenAI的GPT-5.2、Claude Opus 4.5和Sonnet 4.5、Gemini 3 Pro以及DeepSeek V3.2在内的一组前沿大语言模型，合计只解出了2%的谜题，并消耗了约1.1万美元的API调用费用。一个小了约一千倍的模型Kona，仅用4美元的GPU时间就解出了96.2%的谜题。

这一差距其实与数独本身关系不大。数独的规则明确而简单，十岁的孩子就能学会，这正是该结果令人惊讶之处。大语言模型是围绕语言构建的最强AI模型，但许多日常任务需要超越语言的智能。有些需要空间或维度推理，有些依赖逻辑、规划或情感感知，而人们所做的许多事情也无法被完全言语化。推断与创造力，才是让智能显得鲜活而非机械的东西。

图灵奖得主、深度学习先驱Yann LeCun多年来一直主张，仅靠文本不会产生真正的智能。由Eve Bodnia创立的Logical Intelligence所采用的方法，依赖于Kona等基于能量的推理模型（EBRM）。这些模型旨在处理大语言模型难以应对的约束问题。

大语言模型的工作原理是预测序列中最合理的下一个词元。这一设计在翻译、摘要和代码生成方面取得了出色成果，但并不适合所有问题。对于需要其他形式智能的任务，EBRM提供了一条不同的路径，其潜在推理更为可靠，验证与安全性的处理方式也不同于大语言模型系统。