用符号逻辑提升小模型推理能力，降低内容偏见。
SEF-CLGC at SemEval-2026 Task 11: Logical Notation Impact on Language Model Performance
- 将自然语言与符号逻辑结合训练小模型。
- 在任务中内容得分27.80%，显著降低内容偏见。
- 适合关注逻辑推理与模型公平性的研究者。
本文重新审视了我们的推理评估框架——范畴逻辑语法构建（SEF-CLGC）。通过将形式化逻辑符号与小型语言模型（SLMs）结合，评估大模型在SemEval-2026 Task 11子任务1：解耦大模型中的内容与形式推理中的表现。实验表明，仅依赖经自然语言与符号语言联合训练的小模型，最佳模型在该任务上的内容得分为27.80%，同时显著降低了推理中的内容偏差。
原文摘要 · Abstract (English)
This paper revisits our pipeline called Syllogistic Evaluation Framework-Common Logic Grammar Construction (SEF-CLGC). We combine formal logical notations with Small Language Models (SLMs) to evaluate reasoning performance on the SemEval-2026 Task 11 Subtask 1: Disentangling Content and Formal Reasoning in Large Language Models. Our experiments show that by relying solely on SLMs, trained on a combination of natural and symbolic languages, our best model achieves a content score of 27.80% on the task while significantly lowering the content bias in reasoning.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。