自信却出错：前沿LLM规则评估中的异常链坍缩

我们记录了前沿大语言模型中的一类失败——异常链坍缩（exception chain collapse），它出现在形如“A是必需的，除非B适用，除非C覆盖B”的嵌套条件规则的资格评估中。该失败在首次观察时即可复现，但其经验表现并不稳定：2026年3月至4月间，同一模型别名下的若干失败单元格悄然关闭，版本号没有任何提升（GPT-5.4在建筑保险任务上从96.6%升至100%，提示词与评测框架完全相同）。对于受监管的工作流而言，前沿模型的准确率是一条无人通知即自行移动的合规边界。我们提出Aethis Eligibility Module，一种神经符号架构：LLM从权威来源撰写规则，再由基于SMT的层确定性地执行这些规则，其行为始终与所撰写的规范一致，不受模型漂移、推理努力默认值或提示格式的影响。三方面证据基础：（i）一个覆盖四个监管领域、含225个场景的受控基准记录了这一模式，以及复现中部分关闭该模式的漂移；（ii）在建筑保险上的20场景对抗性扩展中，该引擎取得20/20，四个前沿配置中的一个（低推理努力的GPT-5.4）同样如此，而其余三个（包括评估当时Anthropic最强的模型）均未通过同样的覆盖缺口边缘案例；（iii）在九个经同行评审的LegalBench任务、949个留出案例上的外部验证中，该引擎显著比全部三个前沿模型更准确（合并McNemar p <= 0.003），在精选的多分支任务上相对Anthropic模型的领先幅度高达41个百分点。其贡献在于把不确定性从推断边界（在那里它是无声的）转移到规范边界（在那里它是审慎且经过审计的）。所有场景、规则编码与结果均公开且可复现。