Pramana：通过纳伽亚-尼亚ya将大型语言模型微调以实现知识推理

大型语言模型虽能生成流畅的文本，但在系统性推理方面存在困难，常会生成自信但无依据的幻觉命题。当Apple研究人员将无关上下文添加到数学问题中时，LLM性能下降了65%，暴露了表面推理背后脆弱的模式匹配。这种知识差距——即无法对主张进行可追溯证据 grounding——限制了AI在需要依据的领域的可靠性。我们提出Pramana，通过在纳伽亚-尼亚ya逻辑（一种2500年古印度推理框架）上进行微调，教会LLM显式的认识论方法。不同于通用的链式思考提示，纳伽亚-尼ya强制执行结构化的6阶段推理：SAMSHAYA（疑惑分析）、PRAMANA（证据来源识别）、PANCHA AVAYAVA（5成员三段论，带有普遍规则）、TARKA（反事实验证）、HETVABHASA（谬误检测）、NIRNAYA（断定，区分知识与假设）。这种逻辑与认识论的融合为标准推理方法中缺失的认知支架。我们在55个尼亚ya结构逻辑问题（约束满足、布尔SAT、多步骤推理）上对Llama 3.2-3B和DeepSeek-R1-Distill-Llama-8B进行微调。阶段1在仅40%严格格式遵循的情况下即可实现100%语义正确性，表明模型即使在结构强制不完美时，也内化了推理内容。消融研究表明，格式提示和温度对性能影响显著，各阶段的最优配置不同。我们在Hugging Face上发布了所有模型、数据集和训练基础设施，以便进一步研究AI推理中认识论框架的应用。