EVAR：预算意识叙事推理的证据验证假设

在对非交互式长篇叙述进行推理时，大语言模型 (LLM) 通常会产生流畅但基础薄弱的结论。一个主要的失败模式是，不受支持的中间假设可能会进入推理轨迹并污染后续的推论，特别是当证据分散在故事的遥远部分时。为了解决这个问题，我们提出了 EVAR，一种经过证据验证的假设接纳框架，用于预算意识的叙事推理。 EVAR 首先将叙述编译成源链接原子声明的不可变证据存储，并根据未解决的差距和不确定性信号分配特定于实例的推理预算。在细化过程中，EVAR 直接针对未解决的差距提出候选假设，构建假设条件验证挑战，并在准入前针对锁定存储验证每个候选假设：支持的假设进入答案支持状态，无法验证的假设被隔离，矛盾的假设被丢弃。基于充分性的停止机制进一步避免了不必要的细化。在 NarraCrime 和多个公共推理基准上的实验表明，EVAR 提高了任务性能和证据 忠实性，同时保持了可控的推理成本。