在许多推理问题中，前提并不是以离散符号的形式出现，而是需要从高维输入中推断出来。此外，谓词词汇、论证结构和可信证据由知识图谱（KG）或规则定义提供。传统的神经-符号管道在感知与推理之间存在离散接口。我们提出了一种神经-软-符号架构，用于在潜在感知事实和知识提供的谓词上进行可微分的推理。
SoftReason通过将推理状态表示为候选常量和谓词的局部软解释张量，消除了梯度差距。感知提出概率基础事实，KG 三元组作为高置信度软证据进入，而每个查询锚点、谓词选择和闭包更新均保持可微分。我们的核心创新是对即时后果算子的学习可微提升。它使用谓词定义嵌入和潜在组合通道形成软主体-谓词混合，聚合所有可能的见证，提出查询条件的头部事实，并通过单调概率或更新解释。
我们在知识感知视觉问答（KVQA）上实例化该框架，展示了SoftReason如何在一个可训练的架构中支持端到端感知基础、KG证据注入和可微推理闭包。