基于确定性事实账簿和对抗性低延迟幻觉检测器的神经符号金融推理

标准检索增强生成 (RAG) 架构在高风险金融领域因两个根本性局限而失败：大型语言模型 (LLM) 本身的算术能力不足，以及稠密向量检索导致的分布式语义混淆（例如将 "净收入" 映射到 "净销售" 由于语境接近）。在确定性领域，99% 的准确率也无法获得 0% 的操作信任。为实现零幻觉金融推理，我们引入了可验证的数值推理智能体 (VeNRA)。VeNRA 将 RAG 范式从检索概率文本转向通过严格类型化的通用事实账簿 (UFL) 检索确定性变量。我们通过一种新颖的双锁 grounding 算法对该账簿进行数学限制。结合确定性 Python 执行，这种神经符号路由将系统性幻觉率压缩至接近零的 1.2%。鉴于上游解析异常不可避免，我们引入 VeNRA 哨兵：一个 30 亿参数 SLM，通过单 token 推理预算进行 Forensic 审计候选人，支持可选的事后推理。为训练哨兵，我们转向对抗仿真，而非传统幻觉数据集，通过程序化破坏金融记录来模拟生态系统错误。精简哨兵因此在错误检测方面超越 70B+ frontier 模型。通过 Reverse-CoT 训练中的损失稀释现象，我们提出了一种新颖的微块损失算法来稳定在极端定罪惩罚下的梯度，实现 28 倍延迟加速，同时保持 Forensic 的严谨性。