验证图：基于有向无环图的大型语言模型推理结构化验证

验证大型语言模型（Large Language Models，LLMs）的复杂且多步骤推理是一项关键挑战，因为整体方法往往忽视局部缺陷。逐步验证是一种有前景的替代方案，但现有方法往往僵化，难以适应从形式证明到非正式自然语言叙述的多样化推理结构。为此，我们提出了验证图（Graph of Verification，GoV），一种具有可适应性和多粒度验证的新型框架。GoV 的核心创新是其灵活的“节点块”架构。该机制允许 GoV 自适应地调整验证粒度——从形式任务的原子步骤到自然语言叙述的整个段落，以匹配推理过程的本机结构。这种灵活性允许 GoV 解决验证精度与鲁棒性之间的根本性权衡。在针对两种不同结构的基准进行实验后，结果表明 GoV 的自适应方法显著优于整体基线和其他领先的分解基方法，为无训练推理验证树立了新标准。