Pramana：利用Navya-Nyaya精調LLM認知推理

#fine-tuning#epistemic-reasoning#syllogism#fallacy-detectionpramanapramanallama-3.2-3bdeepseek-r1-distill-llama-8bnavya-nyayahugging-face

💡古印度邏輯精調LLM達100%推理準確率—現已開源。（28字）

⚡ 30-Second TL;DR

有什麼變化

在55個Nyaya結構問題上精調Llama 3.2-3B與DeepSeek-R1-Distill-Llama-8B

為什麼重要

此方法為LLM提供結構化認知論，有助提升高風險推理任務的可靠性。開源發布可讓社群複製並擴展認知AI研究。

下一步行動

從Hugging Face下載Pramana精調Llama模型，並在您的推理資料集上評估。

誰應關注：Researchers & Academics

本篇為 AI 生成分析，非原文內容。

•Pramana 研究引入了名為『Nyaya-Bench』的專用評估基準，專門用於測試 LLM 在處理印度邏輯學（Navya-Nyaya）複雜推理結構時的魯棒性與邏輯一致性。
•該研究發現，儘管模型在嚴格遵守六階段格式方面存在困難（僅 40% 遵守率），但其內部推理路徑在語義層面上展現了高度的邏輯連貫性，顯示出『邏輯結構』與『輸出格式』在模型訓練中的解耦特性。
•Pramana 的訓練方法論證了將傳統哲學邏輯框架（如五支論法）轉化為機器可讀的指令微調（Instruction Fine-tuning）數據，能顯著降低模型在處理多步驟推理任務時的幻覺率。

•訓練框架：基於標準的監督式微調（SFT）流程，但引入了針對 Navya-Nyaya 邏輯結構的特定損失函數（Loss Function），以強化模型對推理步驟順序的依賴。
•推理機制：模型被訓練以『疑慮分析（Samshaya）』作為輸入起點，並強制要求在輸出中包含『五支論法（Avayava）』的完整邏輯鏈條，即：宗（Pratijna）、因（Hetu）、喻（Udaharana）、合（Upanaya）、結（Nigamana）。
•消融實驗：研究顯示，在推理過程中降低溫度參數（Temperature）至 0.1 以下，對於維持 Navya-Nyaya 結構的完整性至關重要，高溫設定會導致邏輯鏈條在『謬誤偵測』階段出現斷裂。

邏輯結構化微調將成為提升小型語言模型（SLM）推理能力的標準路徑。

Pramana 的成功證明了透過注入特定領域的邏輯框架，3B 級別模型即可在特定推理任務上達到與大型模型相當的準確度。

未來 LLM 評估將從單純的答案正確性轉向推理路徑的邏輯驗證。

研究顯示語義正確性與格式遵守率的脫節，暗示僅評估最終答案已不足以衡量模型的認知推理能力。

AI 週報

閱讀本週精選 AI 大事摘要 →

同主題

探索 #fine-tuning

同產品

更多關於 pramana

同來源

最新來自 ArXiv AI

AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ArXiv AI ↗

這是摘要，不是原文。去看原站，或訂閱每週簡報。

每週 AI 簡報

每週一封，可隨時退訂。