通过逻辑推理赋能大语言模型：综述

大语言模型（LLMs）在各类自然语言任务中取得了显著的成功。然而，近期研究发现，LLMs 在逻辑推理能力上仍面临着一些显著的挑战。本文总结并将这些挑战分类为两个方面：（1）逻辑问答，LLMs 常常无法在复杂的逻辑问题中生成正确答案，这类问题需要根据一组前提和约束进行复杂的推理，包括演绎推理、归纳推理或溯因推理；（2）逻辑一致性，LLMs 容易在不同问题中生成自相矛盾的回答。例如，一个最先进的 Macaw 问答型 LLM 对问题“喜鹊是鸟吗？”和“鸟有翅膀吗？”的回答均为“是”，但对问题“喜鹊有翅膀吗？”的回答却为“否”。为了促进这一研究方向的发展，我们全面调查了当前最前沿的方法，并提出了这些方法的详细分类。具体而言，为了准确回答复杂的逻辑问题，现有方法可以根据是否依赖外部求解器、提示（prompt）、预训练以及微调进行分类。为了避免逻辑矛盾，我们讨论了多种逻辑一致性的概念和解决方案，包括蕴涵、否定、传递性、事实一致性及其组合。此外，我们还回顾了常用的基准数据集和评估指标，并讨论了有前景的研究方向，如扩展模态逻辑以应对不确定性，以及满足多个逻辑一致性的高效算法。