OECP：以查询条件证据包含概率减少逐段验证调用

有证据依据的NLP系统常依次验证嵌套文本区域，因此核实一个区域会约束其他区域。我们将其形式化为在线证据包含预测（OECP）：每个候选在精确验证前先预测，且最多查询一次。跨度包含关系恰为三角形二维乘积偏序，使OECP成为各次查询不重复的在线保序回归问题。当存在多个容许目标时，以端点秩压缩定义的有效规模为基准，最坏遗憾近线性，为˜Θ(m_eff)；如标准问答那样只有一个固定目标时，则存在明确的多项式时间学习器，实现最优Θ(log m_eff)遗憾，并在真实NQ回合上运行。在Natural Questions上，包含结构带来较大的演绎收益，对尚未解决候选还带来较小的学习收益；这一结果在两个骨干与DPR层级上复现。期望搜索空间缩减（ESR）把这些概率转为决策，在SciFact、ERASER及DPR层级中用更少验证器调用定位证据；在带调用预算的DPR层级上，它优于四种近期外部选择器，并使固定读取器F1高于学习式和生成器贪心调度。