Working Paper2026
Derin Dil Modellerinde Çok Adımlı Mantıksal Çıkarım ve Muhakeme Sınırları
Bu çalışma, büyük dil modellerinin (LLMs) karmaşık mantıksal bulmacalar, sembolik kurallar ve nedensellik zincirleri karşısındaki başarısını ampirik olarak değerlendirmekte; model ölçekleme yasalarının tek başına mantıksal çıkarım garantisi veremediğini ortaya koymaktadır.
Araştırma Özeti ve Temel Bulgular
Dil modelleri dilbilgisi, metin üretimi ve anlamsal çağrışımlarda olağanüstü performans sergilese de, sembolik mantık ve formal doğrulama gerektiren çok adımlı çıkarımlarda hata payı katlanarak artmaktadır.
İncelenen Temel Sorular
- Model parametre sayısı arttıkça mantıksal çıkarım derinliği lineer olarak artıyor mu?
- Chain-of-Thought (CoT) ve Scratchpad yöntemleri gerçek bir nedensellik mi sunuyor yoksa istatistiksel bir illüzyon mu?
- Hibrit nöro-sembolik sistemler (LLM + SAT/SMT Solver) bu darboğazı nasıl aşabilir?
Devam Eden Deneyler
Şu anda farklı model aileleri (açık ağırlıklı ve kapalı API tabanlı) üzerinde 500+ çok adımlı mantıksal problem kümesi çalıştırılmakta ve hata dağılımları sınıflandırılmaktadır.
Neuro-symbolic AIFormal LogicReasoningLLMs
BibTeX Alıntısını Göster▸
@article{ercan2026reasoning,
title={Limits of Multi-Step Logical Reasoning in Transformer Architectures},
author={Ercan},
journal={arXiv preprint arXiv:2604.XXXXX},
year={2026}
}