LLM StructCore：模式引导推理压缩和确定性编译

由于语言混乱、输出合同严格以及误报成本高昂，从临床记录中自动填写病例报告表 (CRF) 具有挑战性。我们使用基于模式引导推理 (SGR) 的合同驱动的两阶段设计描述了 CL4Health 2026 提交的呼吸困难 CRF 填充（134 项）。关键的任务属性是极度稀疏：大多数字段都是未知的，官方评分会惩罚空值和不受支持的预测。我们从单步“LLM 预测 134 个字段”方法转向分解，其中 (i) 第 1 阶段生成具有 9 个域键的稳定 SGR 样式 JSON 摘要，(ii) 第 2 阶段是完全确定性的 0-LLM 编译器，它解析第 1 阶段摘要、规范化项目名称、将预测标准化为官方受控词汇、应用证据门控误报过滤器，以及将输出扩展为所需的 134 项格式。在dev80 split上，最佳教师配置达到macro-F1 0.6543（EN）和0.6905（IT）；在隐藏测试200上，提交的英文变体在Codabench上的得分为0.63。该管道与语言无关：意大利语结果与英语匹配或超过，没有特定于语言的工程。