这篇题为《重新思考结构化生成：基于图的推理能否解决歧义？》的论文由 Ratun Rahman 与 Atit Pokharel 撰写，已于 2026 年 10 月 2 日提交至 arXiv，编号为 arXiv:2610.31681v1，归属计算与语言（cs.CL）分类，并交叉列入人工智能（cs.AI）。该工作在提交时被 NeurIPS 2026 接收，提交版本为第一版（v1），提交时间为 2026 年 10 月 2 日 21:38:11 UTC，文件约 275 KB，DOI 为 https://doi.org/10.48550/arXiv.2610.31681。
论文的出发点是对结构化生成任务的一个基础性假设提出质疑。当前主流做法通常把结构化生成看作一种确定性映射：给定一段输入，模型应输出唯一且确定的结构化结果。然而作者指出，这一假设与自然语言的实际特性存在根本性错位。自然语言往往允许多种在结构上彼此不同、但在语义上都成立的理解方式，也就是说，同一段输入可能对应多个合法输出。现有方法依赖单一参考答案进行监督，把原本存在的歧义强行压缩为一个预测结果，导致在输入信息不充分时输出不稳定、前后不一致。
为此，作者将结构化生成重新表述为一个歧义感知的推理问题。在新的框架下，模型的目标不再是预测唯一解，而是对一组可能成立的结构化输出进行推理。作者进一步指出，标准训练方式本身会抑制那些同样有效的替代答案，因此在优化过程中改为采用多有效学习框架，以保留歧义信息，而不是过早地将其消除。
为了让这一表述具备可操作性，论文构建了一个由候选结构化输出组成的候选空间。每个候选输出被表示为一张图，图中的节点对应实体，边则刻画实体之间的关系。随后，模型通过基于图的推理，从语义对齐和关系一致性两个维度对候选进行比较与筛选。作者强调，这种方式使得相互竞争的不同解释可以在超越词元级似然度的层面上得到有原则的比较，而不是仅凭生成概率高低做出判断。
在结构化生成基准上的实验显示，该方法在不同程度的歧义条件下，于准确率、稳定性和鲁棒性方面均取得了一致的提升。作者认为，这些结果说明显式建模歧义十分重要，并据此主张结构化生成应当从单一输出预测转向集合层面的推理。
从论文信息来看，该研究属于计算与语言方向，同时涉及人工智能的更广泛议题。arXiv 页面还提供了 PDF、实验性 HTML、TeX 源码以及许可信息等多种访问途径，并提供音频摘要、参考文献与引用工具、代码与数据检索工具等附加功能。浏览上下文显示该论文位于 cs.CL 的 2026 年 10 月新提交列表中，也可切换至 cs 或 cs.AI 分类浏览。
总体而言，这项工作的核心贡献在于重新界定了结构化生成的问题形式：把歧义从需要被消除的噪声，转变为需要在推理中显式保留和比较的对象，并通过图结构表示与关系推理来支撑集合级的输出选择。