别问它有多自信，问问它的论证有没有在打架
过去一年里，AI 圈发生了静默但深刻的范式转移：模型不再张嘴就答，而是先在草稿纸上写满推导，再给出结论。这就是所谓的推理模型（reasoning models）——先经历一段可能长达几千 token 的"思维链"，再交付最终答案。它们在数学竞赛和科学基准上碾压前辈，于是人们很自然地把目光投向了更危险的舞台：医疗诊断、…
目录
别问它有多自信，问问它的论证有没有在打架
🧭 当推理模型开始"沉思"，我们怎么知道它没在做梦
过去一年里，AI 圈发生了静默但深刻的范式转移：模型不再张嘴就答，而是先在草稿纸上写满推导，再给出结论。这就是所谓的推理模型（reasoning models）——先经历一段可能长达几千 token 的"思维链"，再交付最终答案。它们在数学竞赛和科学基准上碾压前辈，于是人们很自然地把目光投向了更危险的舞台：医疗诊断、法律咨询、能自己动手调工具的 agentic 系统。这些场景的共同点是一句话：模型犯错的代价，不再是答错一道题，而是毁掉一个人。
在把一个推理模型送进手术室之前，我们必须回答一个古老的问题：它有多确定？注意，不是"它答对了吗"——那是事后诸葛；而是"在答案揭晓之前，我们能不能估计这条推理链该不该被相信"。这叫不确定性量化（Uncertainty Quantification, UQ），是模型部署到高风险场景前的最后一道关卡。
它的用法也值得一说：实际部署中，UQ 最常见的形态是拒答机制。系统给每道题的预测打一个不确定分，分数越过阈值就拒答——把这道题转给人类、或者干脆承认"我不知道"。这套机制的好坏完全取决于不确定性分数的质量：它应该精准地排在答错样本的前面，把"危险的自信"拦在闸门外。拦对了，省下的是误诊、错判；拦错了或者拦反了，反而把正确答案拒之门外。所以评价 UQ 方法，本质上是在问：它排出来的"可疑名单"，真的按错误概率从大到小排了吗？
论文《Argument Graph Uncertainty》（作者姑且译作"论证图不确定性"，简称 AGU）提出了一条相当优雅的思路转换：别盯着模型的表情（token 概率）看，也别反复问它同一道题（采样一致性），而是去读它写的推理过程本身——一条思维链是不是一个自洽的论证？它的各个前提互相支持，还是互相拆台？结论真的是从有据的推理中一步步走出来的吗？
这就像法庭上评估一份证词。老练的律师不会只看证人说话时有多镇定（那是 token 概率），也不会只听他重复三遍说辞有没有出入（那是一致性采样），他会逐句交叉质证："你三点钟说你在图书馆，四点钟又说你在回家的路上——这两个命题的蕴含关系是什么？" AGU 做的，就是把这套交叉质证自动化、数学化。
🕳️ 两条老路，各自塌方
先说现有的两条路是怎么走的，以及它们为什么不够用。
第一条路叫一致性方法（consistency）。做法很直觉：同一道题让模型采样回答五次，看五次答案一不一致。如果大家众口一词，大概率高枕无忧；如果五票分裂成三比二，就得小心。思路没错，代价是贵一个数量级——推理模型一条 trace 动辄几千 token，采样五次就是五倍的推理成本。更要命的是，它只看最终答案投没投出一致票，中间那几千 token 的推理信息被全部丢弃。就像雇了五个侦探查案，最后只问他们"嫌疑人是不是他"，没人关心五个人各自的推理过程对不对。哪怕四个侦探异口同声、第五个却在推理中悄悄发现了决定性反证——一致性方法对这个反证一无所知，只要五个人最后凑巧投了同一个名字。
第二条路叫 token 熵方法（token entropy）。语言模型每吐出一个 token 都带一个概率，把整条序列的"犹豫程度"加起来，当作模型自信的代理指标。这条路在普通模型上勉强能用，但在推理模型上近乎塌方，原因有三。其一，深层上下文会机械地抬高 token 置信：前文越长、越深，无论推理质量好坏，后续 token 的概率都被压得又高又平，表层信号被稀释。其二，RL 训练把输出分布越磨越尖——所谓 entropy collapse，token 熵整体塌缩，这个"自信仪表"的指针直接粘在满刻度上。其三，它分不清"语义上的不确定"和"词汇上的多变"：同一个意思可以有一百种说法，token 熵看到词汇变化就紧张，其实人家心里门儿清。
论文图 2 里有一组很扎眼的实证：把模型答对和答错的样本的 token 熵轨迹画出来，两条曲线几乎重合——也就是说，这个仪表在最关键的分叉口上根本不偏转。至于那些"等等""让我重新想想"之类的回溯线索词，它们的熵忽高忽低，和真正的错误峰值 plateau 完全对不上。一些更偷懒的启发式——trace 长度、回溯短语计数——也早被后续研究拆台：trace 长度被问题难度、RL 训练的长度偏置、以及"想太多（overthinking）"污染得不成样子，overthinking 产生的 token 信号基本是训练伪影。
一句话总结：现有方法全部忽略了"这条推理链该不该被相信"的真正决定因素——它的逻辑结构。 一个三段论里，如果第二个前提和第一个前提打架，那么无论结论听上去多自信，这条链都是断的。这个"打没打架"的结构信息，就明晃晃地躺在几千 token 的 trace 里，却没有任何人系统地去读它。
🏛️ 一九九五年的纸上法庭：一段学术史小插曲
要理解 AGU 的巧妙，得先认识一位越南逻辑学家：Phan Minh Dung。1995 年，他在《Artificial Intelligence》期刊上发表了一篇今天已成经典的论文，提出抽象论证框架（Abstract Argumentation Frameworks）。这套框架的设想非常"纸上法庭"：把一场争论中的所有论点（argument）抽象成图的节点，论点之间的攻击关系画成有向边，然后纯粹靠图论性质来决定哪些论点可以被接受——所谓"可接受性"由集合是否无冲突、能否防御住所有攻击这些组合条件推导出来。
这套框架的伟大之处在于它的克制：Dung 不关心每个论点内容是什么，只关心攻击关系的拓扑。真理不由嗓门决定，而由立场在整张攻击网中的位置决定——被谁攻击、能不能找到一群互相掩护的盟友反杀回去。它给整个计算论证学（computational argumentation）奠定了地基，至今仍是形式化辩论、法律推理、可解释 AI 的常备工具。读 Dung 的原文，你会惊讶于它的现代感：在一个神经网络还没统治 NLP 的年代，他已经把"争论"这个东西抽象成了可以计算的对象，而可计算就意味着可以被审计、被反驳、被度量。
AGU 的作者们从这个三十年前的思想里偷来了一样东西：论证的可信度不是节点的属性，而是图的结构属性。但他们做了一个关键的现代化改造：Dung 的框架里，攻击是二值的——A 要么攻击 B，要么不攻击。这在 1995 年是合理的抽象，但放在神经网络的思维链上就太僵硬了。AGU 把"攻击"替换成了 NLI（自然语言推理）模型输出的概率分数：一条命题对另一条命题，是蕴含、中立，还是矛盾——三个概率加起来等于一，攻击有了程度，有了灰度。二值的黑白决斗，变成了有分寸的交叉质证。
另一个思想来源是证据深度学习（Evidential Deep Learning, EDL，Sensoy 等人 2018 年提出）。EDL 的思路是：别直接输出类别概率，而是输出一个狄利克雷分布的参数——你可以把它想成"对概率分布的分布"，参数代表模型手里攒下的各类证据总量。证据越集中在一个类上，模型越笃定；证据稀薄或摊平，就该警觉。AGU 借用了这整套数学骨架，但做了一次漂亮的换心手术：EDL 的证据来自神经网络输出层的 logits，而 AGU 的证据来自论证图的结构完整性。心脏换了，身体的血液循环还是狄利克雷的那一套。这个"旧瓶装新逻辑"的嫁接，是全文概念上最优雅的一笔。
🔧 把思维链放上解剖台：AGU 的流水线
现在把 AGU 的流水线拆开讲。它是 post-hoc 的——事后分析，不改被测模型一根参数；任务设定是选择题（MCQA），输入只要一条思维链。全程分五步，每一步都用生活化的话说清楚，再给出准确的操作。
第一步，推理分段（Reasoning Segmentation）。 把一条几千 token 的思维链切成 n 个命题段 v₁…vₙ，每一段表达一个相对完整的陈述。默认用一个小型指令微调模型（Qwen3-8B Instruct）来切；有意思的是，直接按段落硬切（paragraph split）也完全可用，零模型调用，一分钱不花。这就像让模型写证词时自觉分段：每段一个意思，方便后面逐段质证。
第二步，NLI 边打分。 用一个预训练的 NLI 模型——论文特意选了 DeBERTa，理由是它至今仍是 NLI 基准上最强的 encoder 模型，而且算力便宜——对任意一对句子输出一个三元组概率：蕴含概率 p_E（前句能推出后句吗）、中立概率 p_N（两说各不相干吗）、矛盾概率 p_C（前句能否定后句吗），三者之和为一。选 encoder 而非生成式大模型打分是深思熟虑的：这个步骤要对几百上千个句子对逐一打分，用量小、延迟低、判断稳的双向编码器，恰好是对的位置用对的工具。
第三步，基于这些分数搭两张互补的图。
第一张是节点—选项承诺图：每段命题 vᵢ 对题目里每个选项 aₖ（共 K 个）打一个分。做法是给每个选项造一个假设句 hₖ，形如"The answer is Option X: [选项文本]"，然后算这段命题对假设句的矛盾调整支持度：eᵢ,ₖ = max(0, p_E − p_C)。这个公式的含义非常讲理：只有"支持多于反对"的部分才算证据；反对不提供负证据，只是把这一步的支持归零，而不会去抵消别的步骤的支持。就像法庭上，证人的一句证词被驳倒了，效果是他这句作废，而不是给被告多加一条罪状——举证责任的方向不能反。
第二张是全连接段—段图：所有有序对 (vᵢ, vⱼ) 都打一遍 NLI 分（也提供窗口版，只算 |i−j| ≤ w/2 的邻居对）。从这张图中蒸馏出两个全局标量。一个叫全局冲突（Conflict）：所有有向边矛盾分的平均值，度量整条 trace 在多大程度上"自己打自己"。另一个叫方向不对称（Asymmetry）：正方向蕴含分与反方向蕴含分之差的绝对值再取平均，度量支持关系是否依赖先后顺序——健康的论证应该前后互相印证，而不是只有"因为所以"没有"所以因为"。
第四步，节点可靠度。 对每一段 vᵢ，算两个 coherence（连贯度）：全局连贯 cohᵢ 是它对其余所有节点的平均净蕴含（归一化后）；局部轨迹连贯 trajᵢ 是它只对相邻边的平均净蕴含。然后加权融合：rᵢ = λ·cohᵢ + (1−λ)·trajᵢ，默认 λ=0.5。翻译成人话：一个步骤被信任的程度，等于它和全局自洽、又和邻居自洽的程度——既要在整个论证的大格局里站得住，也要跟前一句后一句接得上。一个在全局里没问题但和前后都接不上的段落，就像一份每句话都正确、但凑在一起毫无因果的笔录，并不可靠。反过来，一段只跟邻居热络、却和整体论证格格不入的话，也可能是漂亮但离题的修饰——所以两个尺度缺一不可，各看一半。
第五步，狄利克雷证据聚合。 对每个选项 aₖ，把各步证据加权求和：Eₖ = Σᵢ rᵢ·eᵢ,ₖ——可靠的步骤权重高，不可靠的步骤说话没人听。然后是关键的一刀：有效证据尺度 κ_eff = κ·exp(−γ_c·Conflict − γ_a·Asymmetry)。指数衰减意味着：内部冲突大、方向不稳的推理链，即便每步证据勉强为正，整体证据也会被成比例地打折——一条处处勉强自圆其说、但整体暗流涌动的证词，其总分量就要缩水。
用一个具体的庭审画面收尾这套流水线：假设嫌疑人声称"案发时我在图书馆"。律师先把口供切成若干句命题（第一步），逐句盘问每句话和"无罪"这个假设的关系（第二、三步的承诺图），同时把口供内部的所有句子两两对照——"你说三点在图书馆"和"你说四点在回家路上"之间，是蕴含、中立，还是矛盾？（段—段图，由此算出全局冲突与方向不对称）。盘问中水分大的句子权重被压低（第四步），剩下的有效证词汇总成总判断，而且只要口供内部互相打架，总判断就整体打折（第五步）。法院最后拿到的不是一句"我觉得他没说实话"，而是一个落在 [0,1] 区间上的置信分——这正是狄利克雷聚合输出的样子，每一分都能回溯到具体的某几步论证上。
最后 αₖ = α₀ + κ_eff·Eₖ，得到狄利克雷分布的参数，预测均值为各选项 α 归一化后的占比，不确定性 U_AGU 就是对这套占比算 Shannon 熵再归一化到 [0,1]。熵越高，证据越摊在多个选项上，模型就越该说"不知道"。
默认超参数只有五个：α₀=1.0，κ=12.0，γ_conflict=1.2，γ_asymm=1.0，λ=0.5。整个流程对被测模型零额外调用——花的只是分段小模型加 NLI encoder 的小钱。
📊 九个模型，八个登顶：主实验成绩单
实验在三个基准上进行：主战场是 GPQA Diamond（研究生水平的科学选择题），辅以 MMLU-Pro 和 TruthfulQA。被测者是九个公开推理模型，阵容豪华且多样：DeepSeek-R1-Distill-Llama-70B、DeepSeek-R1-Qwen-14B、DeepSeek-R1-Llama-8B、GPT-OSS-120B、GPT-OSS-20B、Nemotron-Nano-30B、Qwen3-30B-Thinking、Qwen3-4B-Thinking、Phi-4-Mini-Reasoning。统一 FP16 精度、温度 0.7、top-p 0.9，每题采样 n=5 次。评价指标是 PRR（Prediction Rejection Ratio，预测拒绝比）：把模型标记为高不确定的样本拒绝掉之后，剩余样本的准确率提升了多少——越高越好。直觉是：好的不确定性指标应该精准地抓住"将要答错"的那批题。可以把它想成机场安检：好的安检仪让旅客按危险程度排队，队伍最前面全是真的危险品；差的安检仪要么全员放行（塌缩），要么随机抓人（甚至倒挂——前面说的 token 熵负 PRR 就是抓人的比放行的还多）。
先看 GPQA Diamond 上的成绩单。AGU 在九个模型中的八个上拿到最高 PRR：
- Nemotron-Nano-30B：AGU 0.65，一致性 0.24，token 熵 0.41——碾压级的优势；
- GPT-OSS-120B：AGU 0.56，一致性 0.36，token 熵 −0.27——注意这个负数，token 方法惨到把拒绝顺序完全倒挂，按它拒样等于专挑对的拒；
- GPT-OSS-20B：0.55 对 0.35 和 0.14，同样一边倒；
- Qwen3-4B-Thinking：0.51 对 0.20 和 0.27；
- Qwen3-30B-Thinking：0.43 对 0.31 和 0.10；
- Phi-4-Mini-Reasoning：0.43 对 0.15 和 0.06；
- DeepSeek-R1-Qwen-14B：0.41 对 0.29 和 0.10；
- R1-Llama-8B：0.29 对 0.26 和 −0.13。
最值得玩味的是小模型上的表现。Phi-4-Mini 和 Qwen3-4B 这两个小家伙身上，token 熵不可靠（0.06、0.27），一致性也不灵（0.15、0.20），AGU 却分别稳在 0.43 和 0.51。这说明论证结构捕捉到了原本在表层信号里丢失的信息——小模型嘴上说不利索，但它的推理骨架里，断链和冲突依然是看得见的。换个角度说，token 熵和一致性都依赖模型"自己意识到自己不确定"的某种元认知能力，而逻辑矛盾是客观摆在那里的：前提互相打架这件事，不需要模型有自知之明，只需要一个会读句子的旁观者。对成本敏感的部署场景，这个性质几乎是雪中送炭：不用堆采样，不用信 token 概率，读结构就行。
🎻 三种分布的形状诗
论文图 4 给了三组直方图，是整篇文章里最有画面感的证据。它把三个方法输出的不确定性分布在所有模型上汇总起来看，形状截然不同，几乎可以当诗读。
token 熵的形状是"塌缩"：全部模型的不确定性挤在近 0 的一小坨里，分布干瘪得几乎没有分辨率。这就是 entropy collapse 的直视图——仪表指针焊死在"我很确定"上，不管它心里是不是在打鼓。一个几乎恒为零的变量，当然不能预测任何事。
一致性方法的形状是"双峰"：分布死死钉在两个端点上，要么五次采样完全一致（不确定度为 0），要么彻底不一致（不确定度为 1），中间空空如也。像一台只会说"是"或"否"的测谎仪。问题在于真实世界的不确定性大多是连续的：模型可能对答案有七成把握，这个信息在一致性方法里无处安放——它被四舍五入成了"一致"。
AGU 的形状是"铺开"：不确定性在 [0,1] 区间上广泛、平滑地摊开，中间地带有真正的分辨率。它恰好填上了双峰之间那道一致性方法无法分辨的峡谷。 当一个方法既能说"这条链完全自洽"（接近 0），又能说"这条链在第三步和第七步互相打架"（中间值），还能说"证据摊在两个选项上谁也压不倒谁"（接近 1）时，它输出的才是一个真正的"度"，而不是一个二值的判决。不确定性量化的全部意义，本来就在于这连续的刻度。
三种形状放在一起，其实是一个关于"信息去哪了"的诊断：token 熵的信息被 RL 训练磨没了；一致性方法的信息在"多次投票"的粗粒度化中被压扁了；而 AGU 的信息一直躺在 trace 里，只是之前没有人去读。图 4 因此不只是一张对比图，更像是一则寓言：你以为最先进的信号一定藏在最贵的计算里，最后救场的反而是最朴素的一个念头——把话读懂。
🚀 全文高潮：当两种不确定性握手言和
如果说前面的结果已经漂亮，这一节的发现则堪称全文之魂，也是我认为最值得所有做模型评测的人记住的一课：AGU 与一致性方法几乎是正交的。
实验做法很朴素：把 AGU 的不确定性和一致性的不确定性做等权平均，得到一个混合指标。结果——九个模型，每一个的 PRR 都创了新高。看 Nemotron-Nano-30B：AGU 单用 0.65，一致性单用只有 0.24，混合后冲到 0.68，超过两个亲本各自的最好成绩。更惊人的是连 AGU 输掉的那个 R1-Llama-70B，混合后的成绩也同时超过了两个单方法——0.34 和 0.46 的孩子比父母都高。
这意味着什么？意味着这两种方法看的是不确定性这枚硬币的两个不同的面，而且它们的盲区不重叠。AGU 的图结构抓的是推理内部的冲突：一条 trace 自身的前提是否互相拆台、方向是否稳、这一步能不能推出下一步。一致性抓的是跨采样的变异：换个随机种子，模型会不会改口。一个模型完全可能内部论证滴水不漏、但换个采样就换答案（它在两个选项间随机游走，每次都自洽地游到不同的地方）；也完全可能五次采样五次同答、但每次的推理链内部千疮百孔（它坚定地用一条错误的逻辑链得出同一个错误结论——这在 RL 模型里叫虚假的连贯）。单一方法必然漏掉其中一半，混合才能两全。
往深处再想一层：这个发现其实给整个 UQ 领域提了个醒。过去各家方法互相攀比 PRR，暗含"赢家通吃"的假设。AGU 的结果显示，不确定性本身是多维的——同一道题，模型可能同时"内部摇摆"和"跨次摇摆"，这两种摇摆彼此独立、各有成因。把它们压成一个标量再去比谁更准，就像争论"体温计和血压计哪个更能预测健康"——答案是两个都测，而且都测比测任何一个都强。这个视角转换，或许比 PRR 小数点上的胜负更有长久的价值。
作者们在附录 B.6 里显然也意识到这个发现有多香，于是试了各种花哨的组合策略——堆叠模型、非线性融合、可学习的加权。结论朴素得近乎反高潮：等权平均就够了。 没有免费的复杂度，最好的策略就是各取一半。这个"朴素胜花哨"的结局，在机器学习论文里是一股清流，也从侧面印证了正交性是真的——只有成分真正互补时，最简单的一比一混合才会奏效；若有冗余，简单平均早该被复杂策略超越。
顺带一提，这个混合策略的部署成本几乎是白捡的：一致性那一路本来就要采样五次，AGU 这一路只是一次事后结构分析。两路信号都有，加起来的分数只是一个平均。花五份钱拿到两份互补的读数，再合成一个比任何单读数都准的判断——这笔账，任何要做拒答阈值的生产系统都应该算一算。
🛡️ 打不坏的尺子，和算得清的账
一个方法要上生产环境，光准不够，还得皮实、便宜。AGU 在这两条上都交了好答卷。
鲁棒性（图 5）：把 NLI 打的边标签随机翻转 10%，AGU 保留 78% 的 PRR；翻转 40%，还能保住一半；换成高斯噪声，σ=0.5 时保留 97%，σ=1 时保留 85%。为什么能这么抗造？因为狄利克雷证据是在几十条边上聚合的，没有任何单条边能显著移动最终估计——一条边错了，只是几十票里投错一票。这也揭示了 AGU 真正依赖 NLI 的是什么：不是逐边精度，而是排序判断的统计性质。用费曼的话说：你不需要一个从不出错的证人，你只需要一群大体诚实、错误互不相关的证人。
消融（表 2）：分段方式的影响比想象中小。用 Qwen3-8B 分段，平均 PRR 0.46（标准差约 0.08）；换 GPT-OSS-120B 来分段，平均 0.50，标准差降到 0.03——分段是 run 间方差的主要来源；而零成本的按段落硬切，平均 0.47。所以 compute 紧张时，段落切分就是默认选项。还有两个有意思的细节：用 GPT-OSS-120B 做分段器，能把 GPT-OSS-20B 的 PRR 推到 0.76；段落切分在 Nemotron 上拿到 0.71，是全场最高分——大模型的分段能力确实更好，但小段落也完全够打。
和 trace 长度划清界限：一个合理的怀疑是：AGU 是不是偷偷在量"这条链有多长"？毕竟图的大小和段数正相关。作者直接把段数当不确定性用，平均 PRR 只有 0.33，而 AGU 是 0.45，九个模型里七个更强；两者排序相关只有 Spearman 0.43；把段数回归掉之后，AGU 残差的 PRR 仍有 0.33。论证图的信号大部分是独立于长度的——它不是"想太多"伪影的又一个变体。
成本：AGU 对被测模型零调用。窗口版（w=10）把 NLI 阶段从 O(n²) 降到 O(n)，PRR 差距在 0.01 以内，默认推荐窗口版。而一致性方法的成本随 trace 长度线性增长且常数巨大——五倍采样就是五倍账单。附录 C 里给出了解析成本式和实测墙钟对比：AGU 窗口版也是线性增长，但斜率小得多。读一条 trace，永远比读五条便宜。而且这个"便宜"不只是钱：在 agentic 场景里，模型每一步行动都可能触发外部副作用，一致性采样意味着同样的副作用可能发生五次。事后读一遍结构，副作用只发生一次。
🤔 冷静的尾巴：局限与余味
诚实地说，AGU 也不是万能的。它只适用于选择题这类有明确选项的任务——开放问答里"假设句"该怎么构造，论文没有覆盖。NLI 模型本身的能力上限就是 AGU 的天花板之一，尽管实验证明了聚合机制对边噪声高度鲁棒，但面对精心构造的、整段都看似自洽实则错误的推理链，图结构方法天然难以察觉——毕竟它量的是自洽，不是真理。一个在错误前提上构建得无懈可击的三段论，图上看不出裂缝。这个盲区也许只能交给外部事实核查来补。
另外九个模型里输掉的那一个（R1-Llama-70B）也提醒我们：当模型本身足够强、采样又足够稳定时，一致性方法的跨采样信号会非常干净，此时内部结构的边际收益会收窄。好在这正是正交性发现的用武之地——混合策略在九个模型上无一败绩，包括这个例外。
放下这些局限，这篇论文真正打动人的地方在于它的姿态。在所有人疯狂给推理模型加算力、加采样、加训练的年代，它往回退了一步，说：先别管模型多自信，让我们读读它到底写了什么。把三十年前 Dung 那张纸上法庭的图，和狄利克雷那套证据演算缝在一起，造出一把打不坏、算得清、还能告诉你"哪一步在撒谎"的不确定性尺子——别忘了，rᵢ 这个节点可靠度是逐段算出来的，每个不确定分都能反查到具体的某几步论证，这种归因能力在调试和审计里的价值，远不止一个 PRR 数字能概括。而且它和现有方法不打架，握个手反而更强。
推理模型的"自信"危机不会由任何单一指标解决。但这篇论文至少证明了一件事：论证的逻辑结构里埋着金子，值得我们去读。而且读法不玄——不需要更大的模型，不需要更多的采样，只需要回头重读那几千 token，问一句最古老的问题：这一步，能推出下一步吗？ Dung 一九九五年就在纸上问过这个问题，三十年后，轮到神经网络的思维链来回答了。
📚 参考文献
- 论文标题: Argument Graph Uncertainty: Quantifying Uncertainty from the Logical Structure of Reasoning Chains
- 作者: Simon Baur, Sumire Honda, Wojciech Samek, Jackie Ma（Fraunhofer Heinrich-Hertz-Institut, Berlin）
- arXiv: 2610.20328（2026-10-14，cs.AI）— https://arxiv.org/abs/2610.20328
- 许可: CC BY-NC-SA 4.0