时间推理并非瓶颈：面向神经符号问答的概率不一致框架

尽管取得了显著进展，大型语言模型（LLMs）在复杂时间推理任务上仍表现脆弱。人们广泛将这种失败归因于自回归逻辑推理的内在缺陷。本文挑战了这一主流叙述，表明时间推理并非根本性瓶颈；实际瓶颈所在于非结构化文本到事件表示的不完整。我们引入一种新型神经符号问答框架，由概率不一致信号（Probabilistic Inconsistency Signal, PIS）驱动，显式地将感知错误与推理失败隔离。通过将非结构化文本提升为显式事件图和时间约束，我们的体系结构严格地解耦了语义抽取与符号推理引擎。为稳健检测结构性中断，PIS 巧妙地将符号信任区间与通过证据深度学习（Evidential Deep Learning）从 LLM 隐藏状态中提取的神经不确定性统一起来。经验评估揭示了一种显著的范式转变：当提供正确的结构化表示时，我们的系统在时间算术基准测试中实现完美的 1.0 正确率（4000/4000），且严格为零误报/漏报。在更广泛的噪声注入问答场景中，该框架保持竞争性的 75.1% 正确率，同时实现确定性、逐级失败定位。最终，通过将表示瓶颈从推理子系统中隔离，本工作将时间问答从算法推理挑战重新定义为结构对齐问题，为可靠的神经符号 AI 绘画了可验证的前进路径。