量子启发的trace增广Evidence选择用于结构化法律推理

大型语言模型 (LLM) 现在可以解决各种达到或超过人类水平的专家级考试，但在法律等专业、证据密集型领域仍然脆弱。在这些任务中，错误不仅源于世界知识的差距，还源于证据之间的微妙区别以及支持证据的不一致使用。最常见的对采样思想链 (CoT) 痕迹的聚合器（多数投票）会返回最受欢迎的答案，无论其证据是否实际上最强。我们建议将 CoT 推理片段的选择视为一组证据，作为一个明确的组合优化问题，允许得到充分支持但少数的假设覆盖嘈杂的多数，并在对证据质量特别敏感的法律推理基准上评估该方法。我们引入了 EP-HUBO（证据池高阶二元优化），它使用小型本地模型生成多个 CoT 轨迹，将片段解析为每个假设的证据池，使用质量导出的权重（相关性、特异性、独特性）解决每个池的高阶无约束二元优化，并将每个问题的单个裁决调用委托给前沿模型。我们使用经典硬件上的模拟退火和量子计算公司的 Dirac-3 光子熵量子机在两个证据密集型法律基准上评估 EP-HUBO。HUBO 式优化提供了一种原则性的方法来聚合推理片段，同时保留少数但正确的假设，并且在前沿模型尚未吸收基准材料的低污染领域中最有价值。