Wiring the 'Why': A Unified Taxonomy and Survey of Abductive Reasoning in LLMs
作者: Moein Salimi, Shaygan Adim, Danial Parnian, Nima Alighardashi, Mahdi Jafari Siavoshani, Mohammad Hossein Rohban
分类: cs.AI, cs.LG
发布日期: 2026-04-09
💡 一句话要点
构建演绎推理统一分类法，并对LLM中的溯因推理进行全面调研。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 溯因推理 大型语言模型 假设生成 假设选择 推理能力 基准测试 文献综述 人工智能
📋 核心要点
- 现有LLM在溯因推理方面缺乏系统性研究，概念混淆和任务定义不统一阻碍了发展。
- 论文提出统一的两阶段溯因推理定义，包括假设生成和假设选择，并构建了全面的文献分类法。
- 通过基准测试和比较分析，揭示了当前LLM在溯因推理方面的差距，并分析了其与演绎和归纳推理的关系。
📝 摘要（中文）
溯因推理在人类发现和理解中起着基础性作用，但大型语言模型（LLM）中对此的研究相对不足。尽管LLM发展迅速，但对溯因推理及其不同方面的探索一直是不连贯的。本文首次对LLM中的溯因推理进行了综述，追溯了其从哲学基础到当代人工智能实现的轨迹。为了解决该领域普遍存在的概念混淆和不连贯的任务定义，我们建立了一个统一的两阶段定义，将先前的工作正式分类。该定义将溯因推理分解为“假设生成”（模型弥合认知差距以产生候选解释）和“假设选择”（评估生成的候选解释并选择最合理的解释）。在此基础上，我们提出了一个全面的文献分类法，根据溯因任务、数据集、底层方法和评估策略对先前的工作进行分类。为了从经验上验证我们的框架，我们对当前LLM在溯因任务上进行了紧凑的基准研究，并对模型大小、模型系列、评估风格以及不同的生成与选择任务类型进行了有针对性的比较分析。此外，通过综合最近的经验结果，我们研究了LLM在溯因推理方面的性能与演绎和归纳任务的关系，从而深入了解了它们更广泛的推理能力。我们的分析揭示了当前方法中的关键差距——从静态基准设计和狭窄的领域覆盖到狭窄的训练框架和对溯因过程的有限的机制理解。
🔬 方法详解
问题定义：论文旨在解决大型语言模型（LLM）中溯因推理研究的碎片化和不系统性问题。现有方法存在概念混淆、任务定义不统一、缺乏统一的评估标准等痛点，阻碍了LLM在复杂推理任务中的应用。
核心思路：论文的核心思路是将溯因推理分解为两个阶段：假设生成和假设选择。假设生成阶段负责产生可能的解释，而假设选择阶段则负责评估和选择最合理的解释。通过这种分解，可以更清晰地理解溯因推理的过程，并为LLM的设计和评估提供指导。
技术框架：论文的技术框架包括以下几个主要部分：1）统一的溯因推理定义，将溯因推理分解为假设生成和假设选择两个阶段；2）全面的文献分类法，根据溯因任务、数据集、底层方法和评估策略对现有工作进行分类；3）基准测试，评估当前LLM在溯因任务上的性能；4）比较分析，比较不同模型大小、模型系列、评估风格以及不同任务类型对溯因推理性能的影响。
关键创新：论文最重要的技术创新点在于提出了统一的两阶段溯因推理定义，并构建了全面的文献分类法。该定义和分类法为溯因推理的研究提供了一个清晰的框架，有助于研究者更好地理解和解决相关问题。
关键设计：论文的关键设计包括：1）针对假设生成和假设选择阶段设计了不同的评估指标；2）选择了多个具有代表性的溯因推理任务作为基准测试；3）对不同模型大小、模型系列、评估风格以及不同任务类型进行了系统的比较分析。
🖼️ 关键图片
📊 实验亮点
论文通过实验发现，当前LLM在溯因推理方面存在明显差距，尤其是在假设生成方面。不同模型大小和模型系列在溯因推理性能上存在差异，且评估风格和任务类型也会对性能产生影响。这些实验结果为未来的研究提供了重要的参考。
🎯 应用场景
该研究成果可应用于需要复杂推理和解释的领域，例如医疗诊断、故障排除、安全分析等。通过提升LLM的溯因推理能力，可以使其更好地理解和解决现实世界中的复杂问题，并为人类提供更智能化的服务。未来的研究可以进一步探索如何提高LLM在溯因推理方面的效率和准确性。
📄 摘要（原文）
Regardless of its foundational role in human discovery and sense-making, abductive reasoning--the inference of the most plausible explanation for an observation--has been relatively underexplored in Large Language Models (LLMs). Despite the rapid advancement of LLMs, the exploration of abductive reasoning and its diverse facets has thus far been disjointed rather than cohesive. This paper presents the first survey of abductive reasoning in LLMs, tracing its trajectory from philosophical foundations to contemporary AI implementations. To address the widespread conceptual confusion and disjointed task definitions prevalent in the field, we establish a unified two-stage definition that formally categorizes prior work. This definition disentangles abduction into \textit{Hypothesis Generation}, where models bridge epistemic gaps to produce candidate explanations, and \textit{Hypothesis Selection}, where the generated candidates are evaluated and the most plausible explanation is chosen. Building upon this foundation, we present a comprehensive taxonomy of the literature, categorizing prior work based on their abductive tasks, datasets, underlying methodologies, and evaluation strategies. In order to ground our framework empirically, we conduct a compact benchmark study of current LLMs on abductive tasks, together with targeted comparative analyses across model sizes, model families, evaluation styles, and the distinct generation-versus-selection task typologies. Moreover, by synthesizing recent empirical results, we examine how LLM performance on abductive reasoning relates to deductive and inductive tasks, providing insights into their broader reasoning capabilities. Our analysis reveals critical gaps in current approaches--from static benchmark design and narrow domain coverage to narrow training frameworks and limited mechanistic understanding of abductive processes...