在探讨大语言模型（LLM）的核心能力时，推理水平无疑是衡量其智能程度的关键指标。2022年，Wei等人提出了链式思维提示（Chain-of-Thought Prompting）方法，其核心理念是在问题后附上逐步的推理过程。实践表明，这种引导模型展示思考链的方式，相比直接输出答案能获得更优的效果。此外，自我一致性提示、从最少到最多提示等方法，本质上均是通过优化提示策略来增强模型的推理表现。

值得关注的是，上述各类方法均基于同一底层范式——直接推理（Direct Reasoning）。这种模式从已知事实出发，通过线性逻辑逐步推导至结论。然而，现实场景中的许多复杂问题，难以仅凭这种单向逻辑路径得到有效验证。下图展示的案例便是典型代表。

这就引出一个关键问题：当直接路径受阻时，是否存在替代方案？正如人类在面对困境时常会转换视角、迂回思考，这正是本文探讨的核心主题——间接推理（Indirect Reasoning）。

论文的方案

针对直接推理的局限性，研究团队提出了一种基于间接推理的改进方案，旨在弥补线性逻辑的不足。该方法从逻辑学中引入了两个经典工具：对偶原理（Contraposition）与矛盾推理（Contradiction）。对偶原理的核心在于：p→q 与其逆否命题 ¬q→¬p 在逻辑上完全等价，证明其一即等同于证明了另一个。矛盾法则即反证法——通过假设结论为假，推导出逻辑矛盾，从而反向验证原结论的真实性。

如何让大语言模型掌握这种迂回思考的能力？核心在于提示语的设计——通过专门构造的指令或示例模板，将对偶与矛盾的逻辑机制嵌入其中，引导模型避开直接推理的路径依赖。该实现极其简洁，无需编写额外代码。更关键的是，其通用性极强，可无缝集成至任何现有的直接推理框架中，无论是少样本学习还是零样本学习场景均可适用。

基于此，论文进一步提出了融合直接推理与间接推理的混合框架——DIR（Direct-Indirect Reasoning）。具体而言，该方案引导模型从正向与逆向两个方向同步进行思考，最终通过投票机制选择最可靠的结论。

论文的效果

实验效果如何？研究团队在事实推理与数学证明两项任务上，分别基于GPT-3.5-turbo和Gemini-pro模型进行了验证。结果令人瞩目：在事实推理任务中，间接推理的整体准确率较直接推理提升了27.33%；在数学证明任务中，这一优势进一步扩大至31.43%。尤为值得关注的是，面对部分复杂问题，间接推理所需的推理步骤反而更少——这一结果虽与直觉相悖，但恰恰印证了视角转换在降低解题复杂度方面的独特价值。

就DIR混合方案而言，实验数据表明其性能显著优于任何一种单一推理方法。本质上，该方案为模型提供了额外的推理路径，从而全面提升了整体思考能力。

最后，将论文的核心贡献总结如下：

- 首次将逻辑学中的对偶原理与矛盾法则系统性地引入大语言模型的推理框架中。
- 设计了一套高效提示模板，有效激发模型执行间接推理的能力。
- 实验证实，在直接推理效果欠佳的诸多问题上，间接推理能够带来显著的性能提升。此外，两种推理方式的结合进一步增强了模型的整体推理水平。