能否用原子命题图实现可解释的自然语言推断？

基于大模型的自然语言推断系统准确率高，但决策过程缺少可审计结构。本文研究能否仅凭可解释图证据完成推断。我们提出全图流水线，分类器从不直接处理输入文本：句子先拆为原子命题，经受约束解码转为ConceptNet三元组，每对句子表示为前提图、假设图和检索的ConceptNet子图，再输入微调的8亿参数语言模型。在SNLI上准确率89.7%，仅比相同训练的文本模型低1.9点。在ANLI上，R2与R3表现与已发表RoBERTa-large相当，分别48.0%对48.9%、44.9%对44.4%，但R1低16点，相比自身文本对应模型整体差距9—14点。我们称其为可解释性的代价，并说明来自表征局限而非数据约束。消融进一步表明图与文本互补，结合两者在SNLI上达到92.1%。