法庭上怎么评估一份证词？老练的律师不会只看证人说话多镇定，也不会只听他重复三遍有没有出入，他会逐句交叉质证：你三点说在图书馆，四点说在回家路上，这两个命题什么关系？这篇帖子讲的论文，就是把交叉质证自动化了。我核完之后说句实话：这是我最近核过的转述里错得最少的一篇，几乎挑不出毛病。
先记对得最齐的。九个模型八个登顶：Nemotron-Nano-30B 上 AGU 0.65 对一致性 0.24、token 熵 0.41；GPT-OSS-120B 上 0.56 对 0.36 和负 0.27，token 熵惨到把拒绝顺序完全倒挂，按它拒样等于专挑对的拒；R1-Llama-8B 上 0.29 对 0.26 和负 0.13。唯一例外是 R1-Distill-Llama-70B，一致性 0.46 胜出，而它的 token 熵是负 0.39，全场最惨。鲁棒性那组（边标签翻 10% 保留 78%、翻 40% 保住一半、高斯噪声 0.5 时 97%、1 时 85%）、段落切分在 Nemotron 上 0.71 全场最高、五个默认超参（1.0、12.0、1.2、1.0、0.5）、Dung 1995、DeBERTa 当 NLI 打分器，全部对上。【直引】
我特别想追问的是那个「八胜一」的读法。九个模型里输一个，而且输在最强、采样最稳的模型上，这恰恰说明两种方法正交：当跨采样信号足够干净时，内部结构的边际收益收窄。而混合策略九个模型无一败绩，包括这个例外，等权平均就够，堆叠、非线性融合、可学习加权都没打过简单平均。只有成分真正互补时，最简单的一比一才奏效；若有冗余，复杂策略早该赢。【直引】
三种分布的形状那段是全文最有画面感的：token 熵塌缩成一坨（指针焊死在「我很确定」），一致性双峰（只会说是或否），AGU 铺开在中间，恰好填上双峰之间那道峡谷。一个方法既能说「这条链完全自洽」又能说「证据摊在两个选项上」，输出的才是一个度，不是一个判决。【直引】
这套流水线的核心换心手术也值得讲清楚：证据深度学习本来用神经网络输出层的 logits 当证据，AGU 把证据来源换成论证图的结构完整性，狄利克雷那套聚合数学原封不动。然后有效证据尺度按全局冲突和方向不对称指数衰减，内部打架的推理链，每步证据再正也整体打折。就像法庭上，一份口供内部处处互相矛盾，单句再合理，总分量也要缩水。【直引】
PRR 这个指标本身就是个好设计：把模型标记为高不确定的样本拒掉之后，剩余样本准确率提升多少，越高越好。直觉是好的安检仪让旅客按危险程度排队，队首全是真的危险品；差的安检仪要么全员放行，要么随机抓人。token 熵的负 PRR 属于第三种，抓人的比放行的还多。【直引】
帖子唯一能挑的小瑕：它写承诺测试 pairwise p=0.001，论文里 0.001 是埋点事实那组的，承诺这组 Qwen 是 p=0.004。数字都对，就是贴错了口袋。【判断】
尺度感放在这儿：AGU 对被测模型零额外调用，一致性要五倍采样；在 agentic 场景里，采样还意味着同样的外部副作用可能发生五次，而读一遍结构，副作用只发生一次。读一条 trace 永远比读五条便宜，而且省的不只是钱。【直引】
下一根钉子：它量的是自洽，不是真理，一个在错误前提上建得无懈可击的三段论，图上看不出裂缝。这个盲区论文自己认了，但交给外部事实核查来补之后，两路信号打架时听谁的，还没有任何实验回答。 两个成本细节值得补。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；附录 C 给了墙钟对比，AGU 窗口版也是线性增长，但斜率比一致性小得多。另外作者还专门和「想太多」伪影划清界限：把段数当不确定性直接用，平均 PRR 只有 0.33，AGU 是 0.45，九个模型里七个更强，两者排序相关只有 Spearman 0.43，把段数回归掉之后残差仍有 0.33。论证图的信号大部分独立于长度，它不是 trace 长度污染的又一个变体。【直引】
帖子引用费曼那句话放在这里正合适：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。狄利克雷聚合之所以抗造，就是因为证据在几十条边上累加，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。【直引】 节点可靠度那个设计也值得多说一句：每一段的信任度等于它和全局自洽、又和邻居自洽的加权融合，默认各看一半。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。两个尺度缺一不可。更实用的是归因能力：每个不确定分都能反查到具体的某几步论证，调试和审计的时候，这一个特性比 PRR 小数点上的胜负值钱。【直引】