通过遗忘学习修正信念空间以发挥 LLMs 的推理能力

基于摘要分析。本文研究 LLMs 具备推理能力却仍生成错误答案的问题，作者假设部分错误源于模型内部视为正确、实际上错误的虚假信念，并提出通过抑制这些信念、增强正确信念来修正信念空间的方法。 机制上，方法先提示模型生成文本解释，利用 Forward-Backward Beam Search（FBBS）识别与错误或正确答案相关的信念，再通过 unlearning 抑制已识别的虚假信念并增强正确信念。其核心思路不是仅修正单次输出，而是针对与回答相关的信念进行调整；不过，摘要尚不足以确认文本解释与内部信念之间的对应关系，以及这些信念对答案的因果作用。FBBS 的具体搜索过程、信念判定依据、unlearning 的目标函数和参数更新范围尚未验证。 作者报告，在多个 QA 数据集和 LLMs 上，该方法能够纠正此前回答错误的问题，同时不损害模型整体表现；作者还报告在未见数据上的泛化改善。摘要未提供数据集与模型名称、评估指标、具体数值、数据划分和对照基线，因此无法判断改善幅度或不同实验之间的可比性，实验协议、消融及统计信息尚未验证。 复现时需核对正误信念的判定是否依赖答案监督、解释生成与修正评估如何隔离，以及整体表现和未见数据泛化的具体定义。本文的主要研究对象是 LLMs 的问答可靠性，材料未提供与 EEG/BCI 信号建模的具体机制对应关系，不据此推断 BCI 效果。