Raciocínio Lógico em Modelos de Linguagem de Grande Escala: Uma Pesquisa

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

Resumo

Com o surgimento de modelos avançados de raciocínio como o OpenAI o3 e o DeepSeek-R1, os grandes modelos de linguagem (LLMs) têm demonstrado notáveis capacidades de raciocínio. No entanto, sua habilidade de realizar um raciocínio lógico rigoroso permanece uma questão em aberto. Esta pesquisa sintetiza os avanços recentes em raciocínio lógico dentro dos LLMs, uma área crítica da pesquisa em IA. Ela delinea o escopo do raciocínio lógico nos LLMs, suas bases teóricas e os benchmarks usados para avaliar a proficiência de raciocínio. Analisamos as capacidades existentes em diferentes paradigmas de raciocínio - dedutivo, indutivo, abdutivo e analógico - e avaliamos estratégias para aprimorar o desempenho de raciocínio, incluindo ajustes centrados em dados, aprendizado por reforço, estratégias de decodificação e abordagens neuro-simbólicas. A revisão conclui com direções futuras, enfatizando a necessidade de uma exploração adicional para fortalecer o raciocínio lógico em 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.