新加坡國立大學聯合加州大學圣芭芭拉分校與奧克蘭大學的研究人員提出了一種名為SymbCoT(Symbolic Chain-of-Thought)的全新推理框架，旨在提升大語言模型(LLMs)的符號邏輯推理能力。這一框架結合了符號化邏輯表達式與思維鏈，極大提升了推理的質量、魯棒性與可信度。SymbCoT框架已被ACL2024錄用。

　　SymbCoT框架包含四個主要部分:翻譯、規劃、執行和驗證。翻譯模塊將邏輯推理任務中的前提和結論翻譯成符號化表達;規劃模塊根據自然語言與符號化表達生成邏輯推理計劃;執行模塊遵循邏輯推理規則驗證結論的邏輯正確性;驗證模塊通過對比翻譯前后的語義信息，驗證翻譯和執行過程中是否存在錯誤。

　　實驗結果表明，SymbCoT在三個復雜邏輯推理數據集上的表現均優于傳統思維鏈(CoT)和使用外部推理工具的方法。具體來說，在GPT3.5-turbo和GPT-4上，SymbCoT的性能分別提升了22.08%、9.31%和7.88%。此外，SymbCoT在復雜場景推理、可信度和魯棒性方面也優于現有方法。

　　SymbCoT的優勢在于:

　　復雜推理能力:SymbCoT在處理更深層次推理問題時表現更佳。

　　魯棒性:SymbCoT在執行符號表達式語法時的成功率顯著提高，顯示出對語法錯誤的魯棒性。

　　可信的邏輯推理:與傳統CoT相比，SymbCoT基于嚴密的邏輯推理和驗證，有效消除了過程中的不可信因素。

　　符號與自然語言混合表達:SymbCoT通過結合符號和自然語言表達來糾正翻譯錯誤并增強邏輯推理的有效性。

　　不同LLM的影響:SymbCoT與更先進的模型(如GPT-4)之間的協同效應更為顯著。