본 논문은 대규모 언어 모델(LLM)의 논리적 추론 능력의 한계를 다룬다. LLM은 복잡한 논리 문제 해결에 어려움을 겪는데, 이는 복잡한 연역, 귀납, 또는 유추 추론을 필요로 하는 논리적 질문 응답과, 서로 다른 질문에 대한 응답에서 발생하는 논리적 모순(예: 까치는 새이고, 새는 날개가 있지만, 까치는 날개가 없다고 응답하는 경우)으로 나타난다. 논문은 기존 연구들을 종합적으로 조사하여 외부 솔버, 프롬프트, 파인튜닝에 기반한 방법들을 분류하고, 함축, 부정, 전이, 사실적 일관성 등 다양한 논리적 일관성 개념과 해결책을 논의한다. 또한, 일반적으로 사용되는 벤치마크 데이터셋과 평가 지표를 검토하고, 불확실성을 고려하기 위한 모달 논리 확장 및 여러 논리적 일관성을 동시에 만족하는 효율적인 알고리즘 개발과 같은 유망한 연구 방향을 제시한다.
