本文评估了大型语言模型（LLMs）在逻辑推理方面的能力，发现其在归纳推理上表现优异，但在演绎推理和复杂推理任务中存在不足。通过引入LogicAsker和SolverLearner，旨在提升LLMs的推理能力，为未来研究提供新方向。

本文探讨了大型语言模型（LLMs）在推理能力上的差异，特别是归纳推理与演绎推理的区别。研究提出了新框架SolverLearner，发现LLMs在归纳推理方面表现优异，但在演绎推理，尤其是“反事实”推理任务中相对不足。这为理解LLMs的推理能力提供了新视角。

该研究评估了大型语言模型（LLMs）在逻辑推理中的能力，发现它们在归纳推理方面表现良好，但在演绎推理，尤其是反事实推理中存在不足。提出的新框架SolverLearner有助于深入理解LLMs的推理能力。

本文介绍了合成问答数据集PrOntoQA，并分析了大型语言模型（LLMs）在逻辑推理能力上的表现。研究发现，LLMs在归纳推理方面表现优异，但在演绎推理和复杂推理任务中存在不足。提出的新框架SolverLearner有助于深入理解LLMs的推理能力。

本文综述自然语言推理与演绎推理研究，涵盖逐步分解证明、子树注意力、RTE评估框架、多模态逻辑推断、强化学习迁移语篇标记知识、ParaPattern自动生成训练数据，以及首个多步蕴含树数据集ENTAILMENTBANK，并探讨可解释性与人机协同工作流。

该研究提出几何形式化理论GFT，构建兼容的平面几何形式系统，开发了包含88个谓词、196个定理的FormalGeo及求解器FGPS，可表示、验证并解决IMO级几何问题。团队标注了含6981个完整形式化问题的FormalGeo7k数据集，增强后达186832个。实验表明GFT正确实用，后向深度优先搜索失败率仅2.42%，结合深度学习可进一步降低。

大型语言模型在演绎推理上表现有限，改变呈现格式和内容未能整体提升性能，其推理偏见与人类不同。模型虽能做部分逻辑推理，但在规划、泛化、常识及反事实任务中仍有明显缺陷，推理能力远不及人类。

本论文研究了演绎推理中的胜于推理论据，利用GPT-3.5-turbo自动化分析这些论据，并生成清晰连贯的解释和新颖的论据。外部信息整合提高了解释质量，突出了人工智能在复杂推理任务中的潜力。

本研究测试了几种大型语言模型（LLMs）在解决认知科学文献中的演绎推理问题方面的能力。结果显示，这些模型的传统形式上的解决能力有限，且具有独特的推理偏见。更改展示格式和内容并不能改善模型性能。

本研究测试了几种大型语言模型（LLMs）在解决认知科学文献中的演绎推理问题方面的能力。结果表明，LLMs在传统形式上解决这些问题的能力有限，且具有推理偏见。后续实验未能提高总体性能。

研究探讨了LLMs解决认知科学文献中演绎推理问题的能力。研究发现LLMs在传统形式上解决这些问题的能力有限，且具有推理偏见。后续实验未能提高总体性能。