LogiDynamics: 揭示大语言模型推理中归纳、归谬与演绎逻辑推理的动态
计算与语言
2025-09-18 v4
摘要
现代大型语言模型（LLMs）采用多样化的逻辑推理机制，以推进其能力的战略优化至关重要。本文系统性地研究了归纳推理（System 1）与归谬/演绎推理（System 2）在 LLMs 中的比较动态。我们构建了一个受控的类比推理环境，变更模式（文本、视觉、符号）、难度和任务格式（选择题/自由文本）。我们的分析表明，System 2 流程在视觉/符号模式和更难的任务中通常表现更好，而 System 1 在文本和较简单的问题中具有竞争力。关键的是，任务格式显著影响它们的相对优势，System 1 在自由文本规则执行中有时会超过 System 2。这些核心发现可推广到更广泛的情境学习。 Furthermore，我们展示了诸如假设选择和迭代细化等高级 System 2 策略可显著扩展 LLM 推理能力。这项研究提供了基础性见解和可操作指南，以战略性地部署逻辑推理以提升 LLM 推理。资源已公开 https://github.com/HKUST-KnowComp/LogiDynamics。
引用
@article{arxiv.2502.11176,
title = {LogiDynamics: Unraveling the Dynamics of Inductive, Abductive and Deductive Logical Inferences in LLM Reasoning},
author = {Tianshi Zheng and Jiayang Cheng and Chunyang Li and Haochen Shi and Zihao Wang and Jiaxin Bai and Yangqiu Song and Ginny Y. Wong and Simon See},
journal= {arXiv preprint arXiv:2502.11176},
year = {2025}
}
备注
EMNLP 2025 Main