从法规到控制流：用于可撤销范围解析的与原文片段关联的道义逻辑树

负责执行策略和法规的遵循规则的代理通常会因静默范围遗漏（SSO）而失败：模型应用一般规则，但默默地丢弃嵌套异常或反异常，产生看似合规但在重要边缘情况下中断的输出。尽管此类故障通常被视为代理系统问题，但潜在的瓶颈是法规和政策理解，这是法律自然语言处理中通常研究的一种能力。然而，大多数现有的法律 NLP 基准都强调最终任务结果，这可能会忽视导致 SSO 的结构性遗漏。为了诊断和缓解 SSO，我们引入了 NormBench，这是一个包含 2,290 条条款的基准，涵盖中文（法律和地方政策）、英语（美国税法、GDPR 和公司政策）和跨语言设置，旨在进行可失效范围解析：准确识别哪个条款覆盖哪个条款。 NormBench 使用 Span-Grounded Deontic Trees (SG-DT)，这是一种编译器风格的中间表示，将每个逻辑分支锚定到源跨度，并需要显式的排除保护，从而实现确定性编译和审核。对前沿 LLM 的评估揭示了两种反复出现的病症：(1) 递归衰减，随着击败器深度的增加，性能急剧下降；(2) 可审计性陷阱，其中模型检索相关跨度，但无法组装正确的控制流。使用 SG-DT 作为受约束的中间输出可以提高整个树的保真度和击败器恢复，下游实验表明其效用是特定于机制的：增益集中于异常活跃、易于 SSO 的情况，而当添加的结构是不必要的或解析器保真度较低时，可以混合聚合精度。