本文研究了大型语言模型（LLMs）在逻辑推理中的能力及其改进方法。通过新数据集PrOntoQA和评估基准GLoRE，分析了LLMs的推理表现，发现其在逻辑推理上存在缺陷。提出了LogicAsker等工具以提高LLMs的推理能力，并展示了改进效果，强调了逻辑训练的重要性，为未来研究提供了方向。

本文综述大语言模型在推理与对话任务中的进展与不足，提出强化学习优化交互示例、RCI执行计算机任务、LoGiPT模拟逻辑求解器及多模型辩论提升数学与策略推理，评估发现模型逻辑推理较弱、对话摘要事实不一致率高、理解能力有限，需通过逻辑训练和多任务微调改进。

多项研究比较大语言模型与人类推理，发现早期模型有类似人类的启发式错误，新版则趋于避免。模型在演绎、算术和抽象推理上表现有限，且偏见独特。研究提出逻辑训练、两阶段解释生成和反思机制等方法提升推理一致性与可信度。

该文综述大型语言模型逻辑推理研究，指出模型在演绎、抽象、行动变化等推理任务上表现有限，存在反事实答案与独特推理偏见；提出逻辑训练、自监督后训练、上下文学习、强化学习与逻辑反馈及选择推理框架等提升策略，并构建数据集与基准进行评估，验证逻辑训练的有效性与必要性。

该文综述提升语言模型逻辑推理能力的研究，涵盖思维链策略与分步证明微调小模型、模拟推理自动生成提示、针对反事实答案的逻辑训练与LMM-LR数据集、多轮互动与自我反思教学、Active-Prompt选取不确定问题注释、ART自动生成中间步骤并集成工具、LogicAsker自动评估改进逻辑推理（GPT-4提升10%），以及临床推理诊断、自动驾驶指令推断和自监督后训练等应用。