带概率常识的溯因推理

改进大语言模型（LLM)推理能力的近期努力聚焦在神经符号框架内集成形式逻辑求解器。一个关键挑战是形式求解器缺乏常识世界知识，无法做出人类认为显然的推理步。既往方法用LLM补充缺失的常识假设，但这些方法隐含假设此类常识事实存在普遍一致。现实中常识信念因人而异。我们提出溯因常识推理的概率框架：显式建模这种差异，旨在判断多数人会把一个陈述判为真还是假。我们引入概率溯因常识（PACS）：一个新颖算法，用LLM与形式求解器把证明采样为个体不同常识信念的观测，并跨样本聚合结论。实证上PACS跨多基准超越思维链推理、既往神经符号方法与基于搜索的方法。