超越自然语言的可靠推理

随着近年来大型语言模型（LLMs）的兴起，自然语言处理（NLP）领域经历了深刻的变革。这类模型在多个专业及学术评估标准中展现出接近人类水平的能力，同时对语言结构与规律具有高度的理解力。然而，尽管其在语言表达方面表现出色，LLMs在推理能力的稳定性与灵活性方面仍存在明显不足。这种缺陷可能源自于变压器架构的自回归特性，该设计要求模型按照顺序逐步处理信息：通过一种贪心机制预测后续词汇，从而限制了其回溯与修正错误的能力。同时，LLMs基于统计特性的本质也导致其难以有效应对涉及推理和离散操作的任务，尤其是在面对超出训练数据分布范围的问题时。

自然语言所具有的线性与顺序特征，与演绎推理中常需运用的复杂且非线性的计算方式形成了鲜明对比。即便是人类，在仅以文本作为思考媒介的情况下进行推理任务时，也常常面临挑战。历史上逻辑学的发展历程清晰地印证了这一点。例如亚里士多德所提出的三段论推理方法，在缺乏后来出现的符号逻辑工具支持时，尽管结论正确却显得繁琐且不易理解。随后维恩和布尔等人则构建了利用符号图示和代数方程的系统框架，这些工具极大地促进了对更复杂逻辑关系及演绎推理过程的支持与表达。

我们的方法

为使大型语言模型（LLMs）能够稳定地执行演绎推理，我们设计了一种策略，即将具备可靠性的演绎推理组件嵌入至其推理流程之中。具体而言，在本项研究中，我们引导模型将问题陈述中所涉及的变量间约束条件及