自适应选择符号语言以提高 LLM 逻辑推理能力
人工智能
2025-10-14 v1
摘要
大型语言模型（LLMs）在复杂逻辑推理方面仍存在挑战。尽管已有工作取得了显著进展，但其性能高度依赖于将自然语言（NL）问题正确翻译为符号语言（SL）的准确性。虽然已有大量工作致力于提高翻译准确性，但仅考虑 SL 与 NL 含义之间的相似性，忽略了另一个关键影响因素——目标 SL 类型的选择。例如，第一阶逻辑语言专注于逻辑推理中的范畴三段论和复杂量词，而布尔满足问题形式则擅长表示类似约束满足的部分问题。鉴于目前尚无研究探讨不同 NL 逻辑推理问题对应的最佳 SL 形式化，本文首次提出并验证：不同的 NL 逻辑推理问题对应不同的最优 SL 形式化。基于此，我们提出一种方法，通过在翻译之前自适应选择最合适的 SL 来提高 LLM 的逻辑推理性能。具体而言，我们利用 LLMs 在第一阶逻辑、逻辑编程和布尔满足问题中选择目标 SL，然后将问题从 NL 翻译为目标 SL 表达式，并使用相应的逻辑求解器来推导最终答案。实验结果表明，我们的自适应选择方法在将问题全部翻译为单一 SL 或随机选择 SL 的情况下均显著优于。在混合数据集上，本方法实现了 96% 的准确率，较第一阶逻辑翻译的最高准确率提高了 25%。
引用
@article{arxiv.2510.10703,
title = {Adaptive Selection of Symbolic Languages for Improving LLM Logical Reasoning},
author = {Xiangyu Wang and Haocheng Yang and Fengxiang Cheng and Fenrong Liu},
journal= {arXiv preprint arXiv:2510.10703},
year = {2025}
}