XLOG 是一个基于 CUDA 的逻辑编程引擎，能够将神经感知与确定性 Datalog、概率推理以及认知世界视图统一在同一个 typed 前端，并由提供者拥有的 CUDA 运行时支撑。其推理模式共享设备数据平面，但执行边界不同：普通 Datalog 与精确推理在主机上调度，而经过认证的驻留递归和 Monte Carlo 采样核心在无任何主机‑设备数据传输的情况下完成计算，并在有界的终止收据后返回。概率路径支持从 provenance 到 CNF 再到 Decision‑DNNF 的 GPU 知识编译，实现端到端梯度、精确加权模型计数以及反向梯度。最终的平滑电路在缓存或求值前会对源公式进行认证。实验表明，电路缓存使 MNIST‑addition 训练提速 2.74 倍；最坏情况最优的 join 子系统相较于 XLOG 的二元 join 基线提升 27.96 倍的几何平均加速。MNIST‑addition 的准确率与 Scallop 相当（0.9561 对 0.9468），但未给出每轮速度声明，因为基线 epoch 时间随 CPU 配额变化。对于五个 hub‑skewed 三角计数案例，Souffle‑to‑fused‑XLOG 的执行时间比率从 150k 边时的 0.88x（Souffle 更快）上升到 1.2M 边时的 5.54x；融合后峰值设备内存占用为 85‑1,033 MB，而物化方案为 3,287‑44,979 MB。精确推理在正确性上等价于 ProbLog2，但速度更慢。公开视频基准上，仅通过符号信用训练的 proximity 谓词能够替代手工设定的几何特征，保持不变的 held‑out 准确率；在 Event‑Calculus 规则搜索中，它在十折交叉验证中失效且在 leak‑free 划分上不具迁移性。海事语料库实验显示，加权子句相较于硬选择提升 0.065 的 F1，且仅需一次时间顺序的训练即可复现该结果。
点评：XLOG 展示了在同一 CUDA 环境下融合符号推理与神经网络的可行性，尤其在零主机‑设备传输的概率推理和高效 join 实现上取得显著加速，为大规模神经符号任务提供了新的硬件加速思路。