Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2505.20047

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2505.20047 (cs)
[提交于 2025年5月26日 ]

标题: 形式不确定性语法:何时信任大型语言模型在自动化推理任务中的应用

标题: Grammars of Formal Uncertainty: When to Trust LLMs in Automated Reasoning Tasks

Authors:Debargha Ganguly, Vikash Singh, Sreehari Sankar, Biyao Zhang, Xuecen Zhang, Srinivasan Iyengar, Xiaotian Han, Amit Sharma, Shivkumar Kalyanaraman, Vipin Chaudhary
摘要: 大型语言模型(LLMs)在通过生成正式规范来实现自动化推理的普及方面展现出非凡的潜力。然而,存在一个根本性的矛盾:LLMs 是概率性的,而形式验证需要确定性保证。本文通过全面研究 LLM 生成的形式化工件中的失效模式和不确定性量化(UQ),解决了这一认识论差距。我们对五种前沿 LLM 的系统评估揭示了基于可满足模理论(SMT)的自动形式化在准确性方面的领域特定影响(从逻辑任务上的 +34.8% 到事实任务上的 -44.5%),并且已知的 UQ 技术如标记概率的熵未能识别这些错误。我们引入了一种概率上下文无关语法(PCFG)框架来建模 LLM 输出,从而产生了一个细化的不确定性分类。我们发现不确定性信号是任务依赖的(例如,逻辑中的语法熵,AUROC > 0.93)。最后,这些信号的轻量级融合实现了选择性验证,大幅减少了错误(14%-100%),且弃权率极低,将 LLM 驱动的形式化转变为一门可靠的工程学科。
摘要: Large language models (LLMs) show remarkable promise for democratizing automated reasoning by generating formal specifications. However, a fundamental tension exists: LLMs are probabilistic, while formal verification demands deterministic guarantees. This paper addresses this epistemological gap by comprehensively investigating failure modes and uncertainty quantification (UQ) in LLM-generated formal artifacts. Our systematic evaluation of five frontier LLMs reveals Satisfiability Modulo Theories (SMT) based autoformalization's domain-specific impact on accuracy (from +34.8% on logical tasks to -44.5% on factual ones), with known UQ techniques like the entropy of token probabilities failing to identify these errors. We introduce a probabilistic context-free grammar (PCFG) framework to model LLM outputs, yielding a refined uncertainty taxonomy. We find uncertainty signals are task-dependent (e.g., grammar entropy for logic, AUROC>0.93). Finally, a lightweight fusion of these signals enables selective verification, drastically reducing errors (14-100%) with minimal abstention, transforming LLM-driven formalization into a reliable engineering discipline.
主题: 计算与语言 (cs.CL) ; 人工智能 (cs.AI); 计算机科学中的逻辑 (cs.LO); 软件工程 (cs.SE)
引用方式: arXiv:2505.20047 [cs.CL]
  (或者 arXiv:2505.20047v1 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2505.20047
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Debargha Ganguly [查看电子邮件]
[v1] 星期一, 2025 年 5 月 26 日 14:34:04 UTC (1,938 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.AI
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-05
切换浏览方式为:
cs
cs.CL
cs.LO
cs.SE

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号