研究人员推出 SymDiag，一个新颖的神经符号框架，旨在诊断大语言模型（LLM）推理中的失败。与关注结果或主观批评的现有验证方法不同，SymDiag 将大语言模型的思维链（chains-of-thought）转化为符号约束，以查明具体的推理错误。该框架还包含一个自我审计器（Self-Auditor），用于区分真实的推理缺陷和翻译过程中引入的错误，从而提供可验证的失败证据。 AI
影响 为大语言模型中可信赖且可扩展的推理诊断提供了原则性基础，改进了多轮推理修复的反馈。
排序理由 该集群描述了一篇关于大语言模型推理诊断新框架的详细研究论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2608.08786v1 Announce Type: new Abstract: Large language models (LLMs) increasingly serve as data-driven reasoners, yet their chains-of-thought (CoT) can be unfaithful even when final answers are correct. Most existing ``verification'' signals are not diagnostic: answer mat…
SymDiag reframes reasoning verification as structured failure diagnosis by translating chain-of-thought into symbolic constraints, performing step-level satisfiability checks, and disentangling translation errors from reasoning errors to provide verifiable diagnostic evidence.