Resumen: El razonamiento estructurado sobre las entradas del lenguaje natural sigue siendo un desafío central en la inteligencia artificial, ya que requiere cerrar la brecha entre las expresiones lingüísticas no estructuradas y las representaciones lógicas formales. En este documento, proponemos un novedoso textbf {marco de nivel bi-nivel} que mapea el lenguaje a la lógica a través de un proceso de dos etapas: abstracción de tareas de alto nivel y generación lógica de bajo nivel. En el nivel superior, un modelo de lenguaje grande (LLM) analiza el lenguaje natural de las consultas en representaciones estructuradas intermedias que especifican el tipo de problema, los objetivos, las variables de decisión y las restricciones simbólicas. En el nivel inferior, la LLM utiliza estas representaciones para generar flujos de trabajo simbólicos o programas de razonamiento ejecutable para una toma de decisiones precisa e interpretable. El marco admite un razonamiento modular, hace cumplir las limitaciones explícitas y generaliza en todos los dominios, como la resolución de problemas matemáticos, la respuesta de preguntas e inferencia lógica. Optimizamos aún más el marco con un enfoque de optimización {bi-nivel} de extremo a extremo que refina conjuntamente la abstracción de alto nivel y las etapas de generación lógica de bajo nivel. Los experimentos en múltiples puntos de referencia de razonamiento realista demuestran que nuestro enfoque supera significativamente las líneas de base existentes en precisión, con ganancias de precisión que alcanzan hasta 40 %. Además, el diseño de nivel de bigo mejora la transparencia y la trazabilidad de los errores, ofreciendo un paso prometedor hacia un razonamiento confiable y sistemático con LLM.
Publicado Originalme en export.arxiv.org El 13 de julio de 2025.
Ver Fuente Original
