Resumen: El análisis de registro es crucial para monitorear la salud del sistema y el diagnóstico de fallas en sistemas complejos. Los avances recientes en modelos de idiomas grandes (LLM) ofrecen nuevas oportunidades para el análisis de registro automatizado, aprovechando sus capacidades de razonamiento para realizar tareas como la detección de anomalías y la predicción de fallas. Sin embargo, los LLM de propósito general luchan por formular flujos de trabajo de razonamiento estructurado que se alineen con la cognición experta y entregan detalles precisos de los pasos de razonamiento. Para abordar estos desafíos, proponemos Logresterer, un marco de mejora de razonamiento grueso a fino diseñado para permitir que LLM razone tareas de análisis de registros como expertos. Logresterer consta de dos etapas: (1) Mejora de grano grueso del pensamiento experto, donde los pensamientos expertos de alto nivel se construyen a partir de los diagramas de flujo de solución de problemas recopilados y las tareas existentes para permitir que los LLM formulen flujos de trabajo de razonamiento estructurado y (2) mejoran los pasos específicos, donde la primera es la primera vez que el LLM con las soluciones a la escalera de la tarea para mejorar las soluciones de las soluciones para mejorar las soluciones para mejorar las soluciones para mejorar las soluciones de las soluciones para mejorar las soluciones para mejorar las soluciones para mejorar las soluciones para mejorar las soluciones para mejorar la mejor. El aprendizaje de preferencia para calibrar los detalles de razonamiento de la LLM de sus errores, fortalece aún más la granularidad analítica y la corrección de la LLM. Evaluamos Logresterer en cuatro tareas distintas de análisis de registro utilizando LLM de código abierto como Qwen-2.5 y Llama-3. Los resultados experimentales muestran que Logresterer supera significativamente a los LLM existentes, logrando un rendimiento de última generación y demostrando su efectividad para mejorar las capacidades de razonamiento de los LLM para el análisis log.
Publicado Originalme en export.arxiv.org El 25 de septiembre de 2025.
Ver Fuente Original
