我们应于何时信任人工智能系统的答案?形式化证明助手虽能提供确定性保障,却无法覆盖大多数实际问题;而标量型大语言模型(LLM)评判器虽具备广泛覆盖能力,但其输出的评分缺乏透明度,事后无法审计,且同样受制于大语言模型固有的逻辑连贯性缺陷。为此,我们提出“Theoria”——一种填补上述鸿沟的验证架构。该架构将候选解重写为一系列带类型的“状态转移”序列,每一次转移均须由明确的依据予以授权,这些依据可以是文献引用、具体计算,或是题目本身所给定的事实;且每一次转移均可独立审计。其核心不变量是“变更完备性”:相邻两个证明状态之间的所有差异都必须得到充分解释;因此,任何隐含前提若未获显式授权,便会以“未授权的突变”形式暴露出来,而不会悄然通过。在HLE-Verified Gold数据集(包含185道纯文本、由领域专家编制的难题)上,Theoria成功认证了其中105道题目的解答,严格精确率达91.4%(威尔逊95%置信区间为[84.5%, 95.4%])。每次认证均生成一份人类可读的证明轨迹,其中每一步推理均可被独立质疑与检验。相比之下,整体式大语言模型评判器在同等覆盖率下能达到相近的精确率,但其失效案例与Theoria高度互补(Jaccard相似系数仅为0.14–0.36),表明二者确属互补型方法。在涵盖15个领域的95个对抗性污染证明样本上,结构化评判器的检出率达94.7%,显著高于整体式评判器的83.2%(p = 0.0017)。这一总体11.5个百分点的性能差距主要集中于两类错误:一是隐含前提未被显式声明(结构化方法检出率90.6%,整体式方法仅62.5%,相差28个百分点);二是虚构文献引用(结构化方法达100%,整体式方法为90%)——而这恰恰正是形式化分析所预判其具备优势的错误类型;而在算术计算错误和定理误用错误这两类未被预判具优势的错误上,两种方法表现则完全一致。在GPQA Diamond测试集(n = 65)上,经Theoria认证的解答精确率达97.1%(威尔逊95%置信区间为[85.1%, 99.5%])。

