Resumen: A medida que el conocimiento y la semántica en la web se vuelven cada vez más complejos, mejorar las capacidades de comprensión y razonamiento de los modelos de lenguajes grandes (LLM) se ha vuelto particularmente importante. Se ha demostrado que las indicaciones de cadena de pensamiento (CoT) mejoran las capacidades de razonamiento de los LLM. Sin embargo, todavía se queda corto en tareas de razonamiento lógico que se basan en expresiones simbólicas y reglas deductivas estrictas. Los métodos neurosimbólicos abordan esta brecha imponiendo la corrección formal a través de solucionadores externos. Sin embargo, estos solucionadores son muy sensibles al formato y pequeñas inestabilidades en los resultados del modelo pueden provocar frecuentes fallos de procesamiento. Los enfoques basados en LLM evitan la fragilidad del análisis, pero carecen de representaciones estructuradas y mecanismos de corrección de errores a nivel de proceso. Para mejorar aún más las capacidades de razonamiento lógico de los LLM, proponemos MatrixCoT, un marco de CoT estructurado con un plan basado en matrices. Específicamente, normalizamos y escribimos expresiones en lenguaje natural, adjuntamos campos de citas explícitos e introducimos un método de planificación basado en matrices para preservar las relaciones globales entre los pasos. El plan se convierte en un artefacto verificable, lo que hace que la ejecución sea más estable. Para la verificación, también agregamos un mecanismo de replanificación basado en comentarios. Bajo restricciones de equivalencia semántica, identifica omisiones y defectos, reescribe y comprime la matriz de dependencia y produce una respuesta final más confiable. Los experimentos con cinco puntos de referencia de razonamiento lógico y cinco LLM muestran que, sin depender de solucionadores externos, MatrixCoT mejora tanto la solidez como la interpretabilidad al abordar tareas complejas de razonamiento simbólico, manteniendo al mismo tiempo un rendimiento competitivo.
Publicado originalmente en export.arxiv.org el 15 de enero de 2026.
Ver fuente original
