Ragionamento logico nei grandi modelli linguistici: un'indagine

Logical Reasoning in Large Language Models: A Survey

February 13, 2025

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

cs.AI

Abstract

Con l'emergere di modelli avanzati di ragionamento come OpenAI o3 e DeepSeek-R1, i grandi modelli linguistici (LLM) hanno dimostrato notevoli capacità di ragionamento. Tuttavia, la loro capacità di svolgere un rigoroso ragionamento logico rimane una questione aperta. Questa panoramica sintetizza i recenti progressi nel ragionamento logico all'interno dei LLM, una zona critica della ricerca sull'IA. Essa delinea l'ambito del ragionamento logico nei LLM, le sue fondamenta teoriche e i benchmark utilizzati per valutare la competenza nel ragionamento. Analizziamo le capacità esistenti attraverso diversi paradigmi di ragionamento - deduttivo, induttivo, abduttivo e analogico - e valutiamo le strategie per migliorare le prestazioni nel ragionamento, inclusi il tuning centrato sui dati, il reinforcement learning, le strategie di decodifica e gli approcci neuro-simbolici. La revisione si conclude con le direzioni future, sottolineando la necessità di ulteriori esplorazioni per rafforzare il ragionamento logico nei sistemi di intelligenza artificiale.

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.