Trotz der überlegenen Leistung von Large Reasoning Models (LRMs) sind ihre Schlussfolgerungsverhalten oft kontraintuitiv und führen zu suboptimalen Schlussfolgerungsfähigkeiten. Um die gewünschten Schlussfolgerungsverhaltensweisen theoretisch zu formalisieren, präsentiert dieser Artikel die Laws of Reasoning (LoRe), einen einheitlichen Rahmen, der inhärente Schlussfolgerungsmuster in LRMs charakterisiert. Zunächst stellen wir das Compute-Gesetz vor, das die Hypothese aufstellt, dass der zur Schlussfolgerung benötigte Rechenaufwand linear mit der Komplexität der Frage skalieren sollte. Neben dem Rechenaufwand erweitern wir LoRe um ein zusätzliches Genauigkeitsgesetz. Da die Fragekomplexität in der Praxis schwer quantifizierbar ist, überprüfen wir diese Hypothesen anhand zweier Eigenschaften der Gesetze: Monotonie und Kompositionsalität. Daraufhin führen wir LoRe-Bench ein, eine Benchmark, die diese beiden handhabbaren Eigenschaften systematisch für große Schlussfolgerungsmodelle misst. Die Evaluation zeigt, dass die meisten Schlussfolgerungsmodelle eine angemessene Monotonie aufweisen, jedoch an Kompositionsalität mangeln. Als Antwort darauf entwickeln wir eine effektive Fine-Tuning-Methode, die die Kompositionsalität gemäß dem Compute-Gesetz erzwingt. Umfassende empirische Studien belegen, dass eine bessere Einhaltung der Compute-Gesetze konsistent verbesserte Schlussfolgerungsergebnisse auf mehreren Benchmarks liefert und synergistische Effekte zwischen den Eigenschaften und Gesetzen aufdeckt. Projektseite: https://lore-project.github.io/