主要观点总结
文章介绍了大模型逻辑推理能力的研究现状，针对逻辑问答和逻辑一致性两个关键科学问题，总结了现有的前沿方法和分类体系。文章还探讨了提升大模型逻辑推理能力的各种方法，包括基于外部求解器的方法、基于提示的方法和预训练与微调方法，以及确保大模型逻辑一致性的方法。最后，文章还介绍了常用的公开基准数据集与评估指标，并指出了未来的重要研究方向。
关键观点总结
关键观点1: 大模型研究正从依赖扩展定律的预训练转向聚焦推理能力的后训练。
当前大模型研究正在转变焦点，从最初的依赖扩展定律的预训练，逐渐转移到提升大模型的逻辑推理能力上，以解决幻觉问题。
关键观点2: 大模型在逻辑问答和逻辑一致性方面存在挑战。
当前大模型在逻辑问答方面存在缺陷，难以在给定的前提和约束条件下进行复杂的演绎、归纳或溯因推理，生成正确答案。同时，在不同问题间容易产生自相矛盾的回答，违反了逻辑一致性。
关键观点3: 提升大模型逻辑推理能力的方法。
为了提升大模型的逻辑推理能力，研究者们开发了多种方法，包括基于外部求解器的方法、基于提示的方法和预训练与微调方法。这些方法旨在通过不同的方式增强大模型的逻辑推理能力。
关键观点4: 确保大模型逻辑一致性的重要性及方法。
确保大模型的逻辑一致性对于提高模型的可靠性至关重要。通过否定一致性、蕴涵一致性、传递一致性、事实一致性和复合一致性等不同类型的逻辑一致性方法，研究者们正在努力确保大模型的回答在逻辑上是一致的。
关键观点5: 未来研究方向。
未来研究方向包括扩展大模型的模态逻辑推理能力以处理不确定性命题、训练高阶逻辑推理能力以处理更复杂的推理问题，以及开发能同时满足多种逻辑一致性的高效算法。
文章预览
当前大模型研究正逐步从依赖扩展定律（Scaling Law）的预训练，转向聚焦推理能力的后训练。鉴于符号逻辑推理的有效性与普遍性， 提升大模型的逻辑推理能力 成为解决幻觉问题的关键途径。 为推进大语言模型的逻辑推理能力研究，来自 北大、清华、阿姆斯特丹大学（UvA）、卡内基梅隆大学（CMU）、MBZUAI 等 5 所高校 的研究人员全面调研了该领域最前沿的研究方法和评测基准，联合发布了调研综述《Empowering LLMs with Logical Reasoning: A Comprehensive Survey》，针对两个关键科学问题 —— 逻辑问答和逻辑一致性 ，对现有方法进行归纳整理并探讨了未来研究方向。 该综述论文已被 IJCAI 2025 Survey Track 接收，并且作者团队将于 IJCAI 2025 现场围绕同一主题进行 Tutorial 演讲，全面探讨该研究领域的挑战、方法与机遇。 论文标题：Empowering LLMs with Logical Reasoning: A Com
………………………………
