Large Language Models Are Neurosymbolic Reasoners

本文是LLM系列文章，针对《Large Language Models Are Neurosymbolic Reasoners》的翻译。

摘要

广泛的现实世界应用以其符号性质为特征，这就需要强大的符号推理能力。本文研究了大型语言模型（LLM）作为符号推理器的潜在应用。我们专注于基于文本的游戏，这是具有自然语言能力的代理的重要基准，特别是在数学、地图阅读、排序等符号任务中，以及在基于文本的世界中应用常识。为了促进这些代理，我们提出了一种LLM代理，旨在解决象征性挑战并实现游戏中的目标。我们首先初始化LLM代理并通知它的角色。然后，代理从基于文本的游戏中接收观察结果和一组有效动作，以及特定的符号模块。有了这些输入，LLM代理选择一个动作并与游戏环境交互。我们的实验结果表明，我们的方法显著增强了LLM作为符号推理的自动代理的能力，并且我们的LLM代理在涉及符号任务的基于文本的游戏中是有效的，在所有任务中实现了88%的平均性能。

1 引言

2 相关工作

3 前言

4 方法

5 实验

6 结论

本文展示了大型语言模型（LLM）在涉及符号任务的复杂文本游戏中的有效应用。利用提示方法，我们引导LLM代理有效地参与这些游戏中的符号模块。与替代基准相比，我们的方法利用LLM的有效性显示出优越的性能，突出了LLM在基于文本的游戏中增强训练程序的潜力。因此，可以假设大型语言模型可以被视为神经符号推理机，在现实世界的应用中具有执行符号任务的巨大潜力。

局限性