LLMs as ASP Programmers: Self-Correction Enables Task-Agnostic Nonmonotonic Reasoning

📄 arXiv: 2604.27960 📥 PDF

作者: Adam Ishay, Joohyung Lee

分类: cs.AI

发布日期: 2026-06-12

💡 一句话要点

提出LLM+ASP框架以解决非单调推理问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 答案集编程 非单调推理 自我修正 智能推理 神经符号方法 稳定模型语义

📋 核心要点

  1. 现有方法在处理高复杂性问题时，面临计算成本高、逻辑不一致和性能下降等挑战。
  2. 论文提出的LLM+ASP框架能够将自然语言转化为答案集编程，支持非单调推理，且无需手动知识模块。
  3. 实验结果表明，稳定模型语义显著优于基于单调逻辑的方法，且自我修正机制有效提升了模型性能。

📝 摘要（中文）

近期的大型语言模型（LLMs）在推理方面取得了显著进展，但在高计算成本、逻辑不一致性和高复杂性问题上仍面临挑战。现有的神经符号方法通过将LLMs与符号推理器结合来缓解这些问题，但通常依赖于单调逻辑，无法有效表示人类认知中至关重要的可推翻推理。本文提出了“LLM+ASP”框架，将自然语言转换为基于稳定模型语义的答案集编程（ASP），该框架无需针对特定任务的工程设计，适用于多种推理任务。通过六个不同基准的评估，我们证明了稳定模型语义使LLMs能够自然表达默认规则和例外，且迭代自我修正是性能提升的主要驱动力。

🔬 方法详解

问题定义：本文旨在解决现有大型语言模型在高复杂性推理任务中面临的逻辑不一致性和性能下降问题，尤其是在非单调推理方面的不足。

核心思路：提出的LLM+ASP框架通过将自然语言转换为答案集编程（ASP），利用非单调逻辑的优势，允许模型表达默认规则和例外，从而更好地模拟人类推理。

技术框架：该框架包括自然语言处理模块、ASP转换模块和自我修正反馈循环。自然语言输入经过处理后，转化为ASP代码，随后通过ASP求解器进行推理，最后根据求解结果进行自我修正。

关键创新：最重要的创新在于引入了自我修正机制，使得模型能够在没有手动知识模块的情况下，通过结构化反馈进行迭代优化，显著提升了推理能力。

关键设计：在设计中，采用了稳定模型语义作为推理基础，确保了对默认规则的自然表达。同时，使用紧凑的上下文参考指南，避免了冗长文档带来的“上下文衰退”现象。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，基于稳定模型语义的LLM+ASP框架在非单调推理任务上显著优于传统的单调逻辑方法，性能提升幅度达到显著水平。此外，迭代自我修正机制被证明是性能提升的主要驱动力，替代了对手工知识的依赖。

🎯 应用场景

该研究的潜在应用领域包括智能问答系统、自动推理和决策支持系统等。通过提升模型在复杂推理任务中的表现，LLM+ASP框架有望在法律、医疗和金融等领域提供更为准确和高效的智能服务，推动人工智能的实际应用价值。

📄 摘要（原文）

Recent large language models (LLMs) have achieved impressive reasoning milestones but continue to struggle with high computational costs, logical inconsistencies, and sharp performance degradation on high-complexity problems. While neuro-symbolic methods attempt to mitigate these issues by coupling LLMs with symbolic reasoners, existing approaches typically rely on monotonic logics (e.g., SMT) that cannot represent defeasible reasoning -- essential components of human cognition. We present "LLM+ASP," a framework that translates natural language into Answer Set Programming (ASP), a nonmonotonic formalism based on stable model semantics. Unlike prior "LLM+ASP" approaches that require manually authored knowledge modules, domain-specific prompts, or evaluation restricted to single problem classes, our framework operates without any per-task engineering and applies uniformly across diverse reasoning tasks. Our system utilizes an automated self-correction loop where structured feedback from the ASP solver enables iterative refinement. Evaluating across six diverse benchmarks, we demonstrate that: (1) stable model semantics allow LLMs to naturally express default rules and exceptions, outperforming SMT-based alternatives by significant margins on nonmonotonic tasks; (2) iterative self-correction is the primary driver of performance, effectively replacing the need for handcrafted domain knowledge; (3) compact in-context reference guides substantially outperform verbose documentation, revealing a "context rot" phenomenon where excessive context hinders constraint adherence.