基于结构约束满足的 LLM 推理神经符号验证门 Eidoku

大语言模型 (LLM) 常产生被模型自身赋予高置信度的幻觉陈述，这暴露了基于概率的验证的根本局限。这表明幻觉往往并非低置信度现象，而是结构一致性的失效。在本工作中，我们将 LLM 推理的验证重新表述为一个独立于生成置信度的约束满足问题 (Constraint Satisfaction Problem, CSP)。我们不追求统计可信度，而是将验证建模为基于结构违规成本的可行性检查——将候选推理步骤嵌入情境图结构所需的计算成本。我们定义了一个由三个代理组成的总成本函数：(i) 图连通性 (结构)、(ii) 特征空间一致性 (几何)、(iii) 逻辑蕴含 (符号)。关键的是，验证通过轻量级 System-2 门 Eidoku 执行，Eidoku 会拒绝超出情境校准成本阈值的候选方案。该阈值并非通过学习获得，而是源自情境内固有统计数据，避免使用 ad hoc 经验法则。我们展示了该方法成功地拒绝了“光滑谬误”——即置信度极高却结构上不连通的陈述——这类陈述是概率-based 验证器所无法检测的。我们的实验在受控诊断数据集上显示，明确强制结构约束允许对此特定类别的幻觉进行确定性拒绝，为生成式推理提供一种神经符号的 sanity check。