迈向对大语言模型命题逻辑推理的机制性理解

理解大型语言模型（LLM）如何在内部执行逻辑推理仍是一项根本性挑战。以往的机制研究聚焦于识别任务特定回路，但未回答LLM在命题推理中采用何种计算策略。我们通过对Qwen3（8B和14B）在PropLogic-MI上的全面分析来填补这一空白，PropLogic-MI是一个覆盖一跳与两跳推理、横跨11类命题逻辑规则的受控数据集。我们不再问“哪些组件是必要的”，而是问“模型如何组织计算？”。我们的分析揭示了一个由四个相互衔接的机制构成的连贯计算架构：分阶段计算（逐层处理阶段）、信息传递（边界token处的信息流汇聚）、事实回溯（对源事实的持续重访）和特化注意力头（功能上不同的头类型）。这些机制在模型规模、规则类型和推理深度上均具泛化性，为LLM采用结构化计算策略进行逻辑推理提供了机制性证据。