【AAAI2026】NeSTR：一种用于大型语言模型的神经-符号可溯因框架，用于时间推理

大型语言模型（LLMs）在广泛的自然语言处理任务中展现出了卓越的性能。然而，时间推理，尤其是在复杂时间约束下的推理，仍然是一项重大挑战。为此，现有方法探索了两类方向：其一是符号方法，通过显式编码时间结构来处理时间关系；其二是反思机制，通过多步推理对推理错误进行修正。然而，符号方法往往未能充分发挥 LLM 的推理能力，而反思方法通常缺乏结构化的时间表示，这可能导致推理不一致或产生幻觉式结论。因此，即便正确的时间上下文已具备，LLMs 仍可能误解或误用时间信息，从而导致答案不完整或不准确。

为克服这些局限性，我们提出 Neuro-Symbolic Temporal Reasoning (NeSTR)，一种将结构化符号表示与混合式反思推理相结合的新型框架，用于增强 LLM 推理过程中的时间敏感性。NeSTR 通过符号编码保留显式的时间关系，通过验证机制强化逻辑一致性，并通过溯因式反思（abductive reflection）纠正有缺陷的推理。我们在多个时间类问答基准上的大量实验表明，NeSTR 在零样本设置下取得了更优性能，并在无需任何微调的情况下持续提升时间推理质量，展示了神经-符号融合在增强大型语言模型时间理解能力方面的显著优势。