這篇題為《重新思考結構化生成：基於圖的推理能否解決歧義？》的論文由 Ratun Rahman 與 Atit Pokharel 撰寫，已於 2026 年 10 月 2 日提交至 arXiv，編號為 arXiv:2610.31681v1，歸屬計算與語言（cs.CL）分類，並交叉列入人工智慧（cs.AI）。該工作在提交時被 NeurIPS 2026 接收，提交版本為第一版（v1），提交時間為 2026 年 10 月 2 日 21:38:11 UTC，檔案約 275 KB，DOI 為 https://doi.org/10.48550/arXiv.2610.31681。
論文的出發點是對結構化生成任務的一個基礎性假設提出質疑。當前主流做法通常把結構化生成看作一種確定性對映：給定一段輸入，模型應輸出唯一且確定的結構化結果。然而作者指出，這一假設與自然語言的實際特性存在根本性錯位。自然語言往往允許多種在結構上彼此不同、但在語義上都成立的理解方式，也就是說，同一段輸入可能對應多個合法輸出。現有方法依賴單一參考答案進行監督，把原本存在的歧義強行壓縮為一個預測結果，導致在輸入資訊不充分時輸出不穩定、前後不一致。
為此，作者將結構化生成重新表述為一個歧義感知的推理問題。在新的框架下，模型的目標不再是預測唯一解，而是對一組可能成立的結構化輸出進行推理。作者進一步指出，標準訓練方式本身會抑制那些同樣有效的替代答案，因此在最佳化過程中改為採用多有效學習框架，以保留歧義資訊，而不是過早地將其消除。
為了讓這一表述具備可操作性，論文構建了一個由候選結構化輸出組成的候選空間。每個候選輸出被表示為一張圖，圖中的節點對應實體，邊則刻畫實體之間的關係。隨後，模型透過基於圖的推理，從語義對齊和關係一致性兩個維度對候選進行比較與篩選。作者強調，這種方式使得相互競爭的不同解釋可以在超越詞元級似然度的層面上得到有原則的比較，而不是僅憑生成機率高低做出判斷。
在結構化生成基準上的實驗顯示，該方法在不同程度的歧義條件下，於準確率、穩定性和魯棒性方面均取得了一致的提升。作者認為，這些結果說明顯式建模歧義十分重要，並據此主張結構化生成應當從單一輸出預測轉向集合層面的推理。
從論文資訊來看，該研究屬於計算與語言方向，同時涉及人工智慧的更廣泛議題。arXiv 頁面還提供了 PDF、實驗性 HTML、TeX 原始碼以及許可資訊等多種訪問途徑，並提供音訊摘要、參考文獻與引用工具、程式碼與資料檢索工具等附加功能。瀏覽上下文顯示該論文位於 cs.CL 的 2026 年 10 月新提交列表中，也可切換至 cs 或 cs.AI 分類瀏覽。
總體而言，這項工作的核心貢獻在於重新界定了結構化生成的問題形式：把歧義從需要被消除的噪聲，轉變為需要在推理中顯式保留和比較的物件，並透過圖結構表示與關係推理來支撐集合級的輸出選擇。