arXiv 2025年11月11日该工作针对结构化知识推理中 LLM 输出出现的“逻辑漂移”（Logic Drift），提出 Logits-to-Logic 框架，以 logits 强化与 logits 过滤为核心模块，直接修正自回归生成过程中的 logits 输出，实验显示其显著提升 LLM 在结构化知识推理中的逻辑一致性，并在多个 KGQA 基准上取得最优性能。该工作针对结构化知识推理中 LLM 输出出现的“逻辑漂移”（Logic Drift），提出 Logits-to-Logic 框架，以 logits 强化与 logits 过滤为核心模块，直接修正自回归生成过程中的 logits 输出，实验显示其显著提升 LLM 在结构化知识推理中的逻辑一致性，并在多个 KGQA 基准上取得最优性能。Logits-to-Logic 框架通过强化与过滤末层 logits，在多个 KGQA 基准上提升 LLM 逻辑一致性并达到最优性能该工作针对结构化知识推理中 LLM 输出出现的“逻辑漂移”（Logic Drift），提出 Logits-to-Logic 框架，以 logits 强化与 logits 过滤为核心模块，直接修正自回归生成过程中的 logits 输出，实验显示其显著提升 LLM 在结构化知识推理中的逻辑一致性，并在多个 KGQA 基准上取得最优性能。该工作针对结构化知识推理中 LLM 输出出现的“逻辑漂移”（Logic Drift），提出 Logits-to-Logic 框架，以 logits 强化与 logits 过滤为核心模块，直接修正自回归生成过程中的 logits 输出，实验显示其显著提升 LLM 在结构化知识推理中的逻辑一致性，并在多个 KGQA 基准上取得最优性能。