作为可满足性模理论的神经符号语言推理

自然语言理解需要在文本推理与逻辑推理之间交替进行，而大语言模型往往无法可靠地完成此类推理。现有神经符号系统将LLM与求解器结合，但仅限于数学或程序综合等可完全形式化的任务，对只含部分逻辑结构的自然文档尚无对策。我们提出Logitext，一种神经符号语言，把文档表示为自然语言文本约束（NLTC），使部分逻辑结构显式化。我们开发了一种算法，将基于LLM的约束评估与可满足性模理论（SMT）求解相结合，实现文本—逻辑联合推理。在一个新的内容审核基准以及LegalBench和Super-Natural Instructions上的实验表明，Logitext同时提升了准确率与覆盖率。本工作首次把基于LLM的推理当作一种SMT理论，将神经符号方法拓展到可完全形式化领域之外。