Shuqi：面向表征—执行诊断的支持感知可执行推理

基于摘要分析。该研究面向语言推理系统，试图区分错误究竟来自未能构建可用表征，还是来自对已明确语义的执行失败；在此基础上提出 Shuqi，将受支持的输入编译为可执行表征，并通过任务特定的支持契约决定是否输出符号执行结果。 诊断方法采用受控的 Raw-NL → Same-IR → deterministic 接口，并结合语义稳定性审计，分别考察与表征相关的性能恢复、残余执行侧错误，以及语义内容固定时的输出不稳定性。作者报告，在所考察的诊断设置中，残余执行差距最高达 23.0 个百分点；对于同一规范表征的无损序列化形式，在来源互不重叠的样例上，输出不一致比例最高达 30.8%。摘要未提供各数值对应的完整任务、模型与划分细节，不能据此推广至所有推理系统。 Shuqi 的核心机制是按任务定义进行确定性执行，并对证据开展重放核验；只有任务特定的支持契约满足时，才放行符号结果，否则回退至冻结的生成式推理器。这一区分使“能够执行”与“适合信任并输出”成为两个独立环节，但支持契约的具体条件、编译过程及核验实现尚未验证。 作者报告，在 ProofWriter 的摘要所述评估中，Shuqi 保留全部 41 个符号修正且未引入回退性错误，Accuracy 达到 98.0%；在 ProntoQA 和 LogicalDeduction 上，Accuracy 均达到 100%。具体基线、样本规模、数据划分、消融及统计信息尚未验证，复现还需核对生成式推理器配置、任务执行器与支持契约。上述结果针对逻辑推理任务，并非 EEG 解码或 BCI 有效性的证据；其在相关系统中的适用性仍待评估。