Resumen:La comprensión del lenguaje natural requiere entrelazar razonamiento textual y lógico, pero los modelos de lenguaje grandes a menudo no logran realizar dicho razonamiento de manera confiable. Los sistemas neurosimbólicos existentes combinan LLM con solucionadores, pero permanecen limitados a tareas totalmente formalizables como matemáticas o síntesis de programas, dejando sin abordar documentos naturales con solo una estructura lógica parcial. Presentamos Logitext, un lenguaje neurosimbólico que representa documentos como restricciones de texto en lenguaje natural (NLTC), haciendo explícita la estructura lógica parcial. Desarrollamos un algoritmo que integra la evaluación de restricciones basada en LLM con la resolución de la teoría del módulo de satisfacibilidad (SMT), lo que permite el razonamiento lógico-textual conjunto. Los experimentos sobre un nuevo punto de referencia de moderación de contenido, junto con LegalBench y Super-Natural Instrucciones, muestran que Logitext mejora tanto la precisión como la cobertura. Este trabajo es el primero que trata el razonamiento basado en LLM como una teoría SMT, extendiendo los métodos neurosimbólicos más allá de dominios totalmente formalizables.
Publicado originalmente en export.arxiv.org el 22 de febrero de 2026.
Ver fuente original
