论文
滚动系数的Heaviside连续性：消除LLM中的认知熵
Heaviside Continuity of Rolling Coefficients for Eliminating Epistemic Entropy in Large Language Models
摘要
LLM生成流畅但可能错误的输出，且自回归解码没有在状态推进前验证中间推理的机制，错误难以检测。我们提出HCRC（滚动系数的Heaviside连续性）：一个验证优先的执行框架——把推理重构为由Heaviside门治理的谓词门控状态转移：结合模型置信与并行工作者架构的独立验证信号，仅当预定义正确性谓词满足时才允许执行前进，防止无效中间状态传播、在不修改模型的情况下降低认知熵。在跨四家供应商13个提议者的软件工程与推理任务上评估：对有能力的提议者，门把假完成率（FCR）从4–7%降到0%，同时延迟有竞争力甚至更快；对较弱提议者，它把假完成转为诚实停机而非污染下游状态。HCRC已在某智能体编码环境作为生产控制平面运行数月，授权文件变更、验证驱动的进度报告与内存压缩。