YUKTI：从自然语言情境到稳健可验证决策——不确定性类型化命题IR、假设鲁棒帕累托前沿与遗憾证书

语言模型把文字情境变成数值计划，主流管线（NL4Opt、OptiMUS、ORLM、OR-LLM-Agent）承诺单一目标与点值系数、然后求解一次。对分配真实预算、人力或临床关注的决策，这种自信正是失败模式：每个客观化的数字都是一个假设——只在猜测全对时最优的计划是脆弱的，属于“计算的模仿”。YUKTI改变自动形式化的目标。其表示是类型化命题图：关系携带形状先验、系数不确定性与出处。YUKTI把每阶段路由到精确、非线性或演化求解器；以分布帕累托交接耦合各阶段；并引入假设鲁棒帕累托前沿（ARPF）——重采样假设（含结构性epsilon污染）以打分每个行动的存活频率ρ。我们证明使ρ成为决策遗憾精确因子的界，加入可审计溯源，并在无数据时合成忠实于基准的数据基础（SRJANA）。三重验证：受控错误设定下，稳健折中较朴素点计划把均值与尾部遗憾削减90%以上；在受监管商业决策上，我们在合法行动空间内优化并以欧元计价下行；在41,188个决策的真实公开数据集上，样本外回测胜过 logged 现状34%、胜过朴素点规则4%，同时减轻优化者之咒。求解器都是标准的；我们不宣称基准SOTA。头对头显示：拿到正确数字的LLM与单目标优化各承担约47倍于YUKTI的留出遗憾——LLM是形式化者，不是求解器。在长程因果耦合下，前向交接变得不可靠——这定位了它必须变为后向归纳因果策略之处。