ECPO：面向证据认证候选排序的证据耦合策略优化

用于决策支持场景的排序系统不仅应给出候选排序，还应暴露可独立核查的证据。我们研究证据认证的候选排序：给定intent_id、预定义的计划骨架、窗口局部的候选名册，以及带span出处的文本候选轨迹，系统必须输出Top-K列表以及doc_id:span形式的证据证书，且所引用的span足以复原该决策。我们在MAVEN-ERE和RAMS上实例化该任务，采用固定的上游抽取、窗口局部随机化候选标识符、与骨架对齐的轨迹监督、困难负例以及审计参照。我们提出证据耦合策略优化（Evidence-Coupled Policy Optimization, ECPO），一种列表级策略优化目标，其动作是排序与证据证书的联合对象。ECPO先从骨架对齐、论元一致性与可选图特征中学习可解释的轨迹奖励；随后以三项耦合奖励优化一个受约束的策略：列表级排序效用、span级证书有效性，以及由无标签确定性验证器计算的证据循环奖励——该验证器从剥离主张的引用span中重建候选支持。这将目标从单纯最大化普通NDCG，重新定义为最大化CertNDCG与决策—证据耦合。评估将ECPO与zero-shot、SFT和GRPO策略，仅用RM打分再确定性附加证据，语法/JSON约束解码，验证器重试，best-of-N RM选择，以及事后证据合理化等方法，在封闭名册、预测名册与混合名册设定下进行比较。