大型语言模型中的非完整体悖论

大型语言模型（LLM）是否真正理解事件的组合语义，还是依赖于表层概率启发式方法？我们研究了非完整体悖论，这是一种逻辑现象，其中过去进行体蕴含活动的实现（例如，running $\to$ ran），但不蕴含成就的实现（例如，building $\nrightarrow$ built）。我们引入了 ImperfectiveNLI，一个旨在探究不同语义类别之间这种区别的诊断数据集。通过评估 SOTA 开放权重模型，我们发现了一种普遍的目的论偏差：模型系统性地对目标导向事件产生完成的幻觉，甚至覆盖了明确的文本取消。提示干预部分减少了这种偏差，但引发了校准危机，导致模型错误地拒绝非终点性动词的有效蕴含。表征分析进一步表明，尽管内部嵌入通常能区分进行体和一般过去时形式，但推理决策由关于目标达成的强先验所主导。总而言之，我们的发现表明，当前这些开放权重 LLM 是作为预测性叙事引擎而非忠实的逻辑推理器运作的，解决体态推断需要超越提示，转向结构化对齐。