본 논문은 대규모 언어 모델(LLM)의 핵심 역량인 논리적 추론 능력을 향상시키기 위해, 논리적 복잡성과 의미적 복잡성을 함께 고려하는 LogicAgent라는 반기호학적(semiotic-square-guided) 프레임워크를 제안한다. LogicAgent는 일계 논리(FOL)에서 다중 관점 추론을 수행하며, 세 가지 값(참, 거짓, 불확실)을 사용하는 존재적(existential) 임포트 검사를 통해 모호한 경우를 처리한다. 또한, 대학 수준의 난이도(FKGL = 11.94)를 가진 RepublicQA라는 새로운 벤치마크를 도입하여 기존 데이터셋의 한계를 극복했다. 실험 결과 LogicAgent는 RepublicQA에서 SOTA를 달성하고, ProntoQA, ProofWriter, FOLIO, ProverQA 등 다른 벤치마크에서도 성능 향상을 보였다.
