逻辑相变：理解LLM逻辑推理中的崩溃

符号逻辑推理是大语言模型（LLM）一项关键却未获充分探索的能力，可在数学推理和法律判决等高风险领域提供可靠、可验证的决策。在本研究中，我们对逻辑复杂度受控增加下的逻辑推理进行了系统分析，并揭示了一个此前未被认识到的现象，我们称之为逻辑相变（Logical Phase Transitions）：逻辑推理性能并非平滑退化，而是在某个区域内保持稳定，却在超过临界逻辑深度后骤然崩溃，这类似于水在超过临界温度阈值后结冰等物理相变。基于这一洞见，我们提出神经符号课程微调（Neuro-Symbolic Curriculum Tuning），一个有原则的框架，自适应地将自然语言与逻辑符号对齐以建立共享表示，并围绕相变边界重塑训练动态，以在递增的逻辑深度下逐步强化推理。在五个基准上的实验表明，我们的方法有效缓解了高复杂度下的逻辑推理崩溃，naive prompting下平均准确率提升1.26，CoT下提升3.95，同时改善了对未见逻辑组合的泛化。代码与数据发布于 https://github.com/AI4SS/Logical-Phase-Transitions。