作者: Xiao-Wen Yang, Jie-Jing Shao, Lan-Zhe Guo, Bo-Wen Zhang, Zhi Zhou, Lin-Han Jia, Wang-Zhou Dai, Yu-Feng Li
提交日期: 2025年8月19日
摘要:
大语言模型（LLMs）在各种任务上已展现出有前景的结果，但其推理能力仍然是一个根本性的挑战。开发具有强大推理能力的人工智能系统被认为是追求通用人工智能（AGI）的关键里程碑，并已引起学术界和工业界的广泛关注。人们已探索了多种技术来增强大语言模型的推理能力，其中神经符号方法是一种特别有前景的途径。本文全面回顾了用于增强大语言模型推理的神经符号方法的最新进展。我们首先对推理任务进行了形式化，并简要介绍了神经符号学习范式。然后，我们从三个角度讨论了用于提升大语言模型推理能力的神经符号方法：符号->LLM、LLM->符号以及LLM+符号。最后，我们讨论了几个关键挑战和有前景的未来方向。我们还发布了一个包含与本综述相关的论文和资源的GitHub仓库：https://github.com/LAMDASZ-ML/Awesome-LLM-Reasoning-with-NeSy。
主题/分类:
- 主要: 人工智能 (cs.AI)
- 次要: 机器学习 (cs.LG)
备注: 9页，3张图，IJCAI 2025 综述轨道