Fugu-MT 論文翻訳(概要): What Kind of Reasoning (if any) is an LLM actually doing? On the Stochastic Nature and Abductive Appearance of Large Language Models

論文の概要: What Kind of Reasoning (if any) is an LLM actually doing? On the Stochastic Nature and Abductive Appearance of Large Language Models

arxiv url: http://arxiv.org/abs/2512.10080v1
Date: Wed, 10 Dec 2025 21:06:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-12 16:15:42.063197
Title: What Kind of Reasoning (if any) is an LLM actually doing? On the Stochastic Nature and Abductive Appearance of Large Language Models
Title（参考訳）: LLMが実際に行っていること(もしあるなら)とは何か? 大規模言語モデルの確率的性質と帰納的出現について
Authors: Luciano Floridi, Jessica Morley, Claudio Novelli, David Watson,
Abstract要約: 本稿では、トークン補完法を用いて機能する現在のLarge Language Models(LLM)における推論がどのように機能するかを考察する。それは、その性質と、人間の誘惑的推論と類似性を調べる。
参考スコア（独自算出の注目度）: 0.3359875577705536
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This article looks at how reasoning works in current Large Language Models (LLMs) that function using the token-completion method. It examines their stochastic nature and their similarity to human abductive reasoning. The argument is that these LLMs create text based on learned patterns rather than performing actual abductive reasoning. When their output seems abductive, this is largely because they are trained on human-generated texts that include reasoning structures. Examples are used to show how LLMs can produce plausible ideas, mimic commonsense reasoning, and give explanatory answers without being grounded in truth, semantics, verification, or understanding, and without performing any real abductive reasoning. This dual nature, where the models have a stochastic base but appear abductive in use, has important consequences for how LLMs are evaluated and applied. They can assist with generating ideas and supporting human thinking, but their outputs must be critically assessed because they cannot identify truth or verify their explanations. The article concludes by addressing five objections to these points, noting some limitations in the analysis, and offering an overall evaluation.
Abstract（参考訳）: 本稿では、トークン補完法を用いて機能する現在のLarge Language Models(LLM)における推論がどのように機能するかを考察する。彼らの確率的性質と、人間の誘惑的推論と類似性を調べる。これらのLLMは、実際の帰納的推論を行うのではなく、学習パターンに基づいたテキストを生成する、という主張である。アウトプットが誘惑的に見えるのは、主に推論構造を含む人為的なテキストで訓練されているためである。 LLMがプラウシブルなアイデアを生み出し、コモンセンス推論を模倣し、真理、意味論、検証、理解を根拠にすることなく説明的な答えを与える方法を示すために用いられる。この双対的な性質は、モデルが確率的ベースを持つが、使用には誘惑的に見えるが、LLMの評価と適用方法に重要な結果をもたらす。彼らはアイデアの生成と人間の思考を支援することができるが、その成果は真実を特定したり、説明を検証できないため、批判的に評価されなければならない。この記事は、これらの点に対する5つの反対に対処し、分析のいくつかの制限を指摘し、全体的な評価を提供することで締めくくっている。

論文の概要: What Kind of Reasoning (if any) is an LLM actually doing? On the Stochastic Nature and Abductive Appearance of Large Language Models

関連論文リスト