Razonamiento Lógico en Modelos de Lenguaje Grandes: Un Estudio

Logical Reasoning in Large Language Models: A Survey

February 13, 2025

Autores: Hanmeng Liu, Zhizhang Fu, Mengru Ding, Ruoxi Ning, Chaoli Zhang, Xiaozhang Liu, Yue Zhang

cs.AI

Resumen

Con la aparición de modelos avanzados de razonamiento como OpenAI o3 y DeepSeek-R1, los grandes modelos de lenguaje (LLMs) han demostrado notables capacidades de razonamiento. Sin embargo, su habilidad para llevar a cabo un razonamiento lógico riguroso sigue siendo una pregunta abierta. Esta encuesta sintetiza los avances recientes en razonamiento lógico dentro de los LLMs, un área crítica de investigación en IA. Describe el alcance del razonamiento lógico en los LLMs, sus fundamentos teóricos y los puntos de referencia utilizados para evaluar la competencia en razonamiento. Analizamos las capacidades existentes en diferentes paradigmas de razonamiento - deductivo, inductivo, abductivo y analógico - y evaluamos estrategias para mejorar el rendimiento en el razonamiento, incluyendo ajustes centrados en los datos, aprendizaje por refuerzo, estrategias de decodificación y enfoques neuro-simbólicos. La revisión concluye con las direcciones futuras, enfatizando la necesidad de una exploración adicional para fortalecer el razonamiento lógico en los sistemas de IA.

English

With the emergence of advanced reasoning models like OpenAI o3 and DeepSeek-R1, large language models (LLMs) have demonstrated remarkable reasoning capabilities. However, their ability to perform rigorous logical reasoning remains an open question. This survey synthesizes recent advancements in logical reasoning within LLMs, a critical area of AI research. It outlines the scope of logical reasoning in LLMs, its theoretical foundations, and the benchmarks used to evaluate reasoning proficiency. We analyze existing capabilities across different reasoning paradigms - deductive, inductive, abductive, and analogical - and assess strategies to enhance reasoning performance, including data-centric tuning, reinforcement learning, decoding strategies, and neuro-symbolic approaches. The review concludes with future directions, emphasizing the need for further exploration to strengthen logical reasoning in AI systems.