有意义的学习：通过通用事实指导提升大型语言模型的抽象推理能力

大型语言模型（LLMs）在各种推理场景中表现出令人印象深刻的性能和强大的解释能力，标志着向模拟类人智能迈出了重要一步。尽管如此，当面对由通用事实支持的简单问题时，LLMs常常无法给出一致且准确的答案，这表明它们在抽象推理能力上存在不足。这引发了关于LLMs是真正具备推理能力还是仅仅在记忆的激烈讨论。基于此，我们设计了一项初步研究，以量化并深入探讨现有LLMs的抽象推理能力。研究结果显示它们在一般推理与抽象推理表现之间存在显著差异。为解决这一问题，我们制定了一个抽象推理数据集（AbsR）及一个有意义学习范式，旨在教导LLMs如何利用通用事实进行推理。结果表明，我们的方法不仅提升了LLMs的一般推理性能，同时在推动其抽象推理能力方面取得了显著进展，超越了简单的记忆或模仿，实现了对通用事实更为细致的理解和应用。