Analytica：面向鲁棒与可扩展 LLM 驱动分析的软命题推理
人工智能
2026-04-28 v1
摘要
大型语言模型 (LLM) 代理正日益被用于复杂的现实世界分析（例如财务预测、科学发现），但其推理存在随机性不稳定且缺乏可验证的、可组合的结构。为此，我们引入 Analytica，一种基于软命题推理 (SPR) 的新型代理架构。SPR 将复杂分析重新框定为估计不同结果命题软真值值的结构化过程，使我们能够以其偏差和方差的形式正式建模和最小化估计误差。Analytica 通过并行、分层的框架实现这一目标，系统性地降低这两种误差源。为降低偏差，问题首先被分解为子命题的树结构，并使用配备工具的 LLM 底层代理进行求解，包括一种用于数据驱动分析的 novel Jupyter Notebook 代理，以帮助验证和评分事实。为降低方差，Analytica 递归地使用鲁棒线性模型对这些具备 grounding 的叶子进行合成，这些模型能够以更高的效率、可扩展性进行平均，以抵消随机噪声。我们的理论和实证结果表明，Analytica 在经济、金融和政治预测任务上平均提高了 15.84% 的准确率，采用 Deep Research 底层代理时实现 71.06% 的准确率，方差最低为 6.02%。我们的 Jupyter Notebook 底层代理展现出强劲的性价比，准确率接近 70.11%，成本降低 90.35%，耗时降低 52.85%。Analytica 还表现出高度抗噪声和稳定的性能增长，随分析深度呈近线性时间复杂度，并对开放权重 LLM 和科学领域具有良好的适应性。
引用
@article{arxiv.2604.23072,
title = {Analytica: Soft Propositional Reasoning for Robust and Scalable LLM-Driven Analysis},
author = {Junyan Cheng and Kyle Richardson and Peter Chin},
journal= {arXiv preprint arXiv:2604.23072},
year = {2026}
}
备注
ICLR 2026 Camera-ready