浩鼎中心告别一次性全盘推理，这套skill让每条证据都能追溯预测结果

浩鼎中心告别一次性全盘推理，这套skill让每条证据都能追溯预测结果 | EMNLP'26

LEAP团队投稿

量子位 | 公众号 QbitAI

预测系统现在很会找资料。一个agent可以搜索网页、调用工具、整理来源，再把几十条材料带回预测阶段。

但真正的麻烦从这里才开始：最后该怎样使用这些证据？

常见做法是把全部材料塞进一次LLM调用，让模型自行消化并给出答案。结果可能很自信，但使用者很难判断，究竟是哪条证据改变了预测。

EMNLP 2026 Main Conference接收的论文新作《LEAP: Likelihood Elicitation and Aggregation for LLM-based Probabilistic Forecasting》，系统地研究了这一步。

它在保留已有搜索与证据收集流程的前提下，重新设计了evidence到forecast的转换方式。

搜索结束之后，预测才刚刚开始

论文把一次性读取全部证据并直接作答的方式称为Monolithic Prediction。这种流程把证据解释、冲突处理和最终决策都交给同一次模型调用。自然语言rationale可以说明模型“声称自己为什么这么想”，却很难还原每条材料在计算中的真实影响。

LEAP将这几个动作拆开。LLM每次只读取任务和一条证据，判断这条证据对不同结果提供了多强的支持。所有局部判断完成后，显式概率模型再统一计算posterior。

△同一组证据进入两种预测流程。左侧一次性生成答案，右侧保留逐条证据的likelihood，并显式计算结果分布。

LLM负责解释，概率模型负责组合

LEAP的分工很明确。

LLM处理局部语义。

每次调用只分析一条evidence item，并返回结构化likelihood parameters。模型看不到其他证据、累计结果或中间posterior，因此不会在局部判断时提前合并全部信息。

Prior提供预测起点。

有可靠历史数据时，prior来自历史序列；缺少数据时，系统通过不读取当前证据的LLM调用估计基础分布。这样可以避免同一条证据在prior和likelihood中被计算两次。

贝叶斯更新给出最终结果。

当所有局部likelihood准备完毕后，确定性的闭式更新生成posterior。连续目标输出分位数，单选任务输出候选项概率，多选任务输出各选项的Bernoulli marginal。

实际证据很少完全独立。多个网页可能引用同一份报告，一次局部elicitation也可能带有噪声。LEAP因此会聚类同源证据，利用重复采样检查判断的一致性，并过滤连续目标中的明显数值异常。

△上游agent继续负责搜索和整理材料。LEAP接收固定的evidence set，完成prior estimation、逐条elicitation、safeguards和posterior aggregation。

预测结果可以追溯到具体证据

显式聚合带来一个直接好处：每条证据的影响都能重新计算。

对于进入posterior的任意evidence item，系统可以暂时移除它，再运行一次相同的闭式更新。新旧结果之间的变化就是该证据的leave-one-out contribution。整个过程不需要模型事后补写解释。

使用者由此可以查看哪些材料推动了某个候选结果，哪些来源几乎没有改变预测，以及当前置信度是否主要依赖少数证据。需要核查结果时，也可以沿着contribution回到原始evidence。

在证据完全相同的条件下比较

论文从FutureX、GAIA和BrowseComp构建预测与信息检索任务。LEAP与Monolithic Prediction在每个任务上共享同一evidence set，实验只比较最终预测方式。

在固定ReAct-style agent loop和共享证据集的设置下，实验覆盖DeepSeek-V3.2、Gemini-3.1-Flash-Lite、Claude-Haiku-4.5、GPT-5.4-mini与Grok-4.20-Fast。LEAP在五个base model上都提高了FutureX、Spherical、Accuracy和NCRPS。FutureX的绝对增益为3.6至18.1个点，Spherical的绝对增益为2.5至15.1个点。

论文还直接使用DeerFlow、Hermes、OpenClaw和MiroFlow的原始agent trace。在这四个外部CLI framework上，LEAP改善了大多数指标，macro-average在论文报告的五项指标上均有提升。

控制实验给Monolithic Prediction提供相同的prior或相近的token budget，LEAP仍然保留优势。与two-sample ensemble相比，LEAP的median latency接近，p95 latency更高，因为整次预测需要等待最慢的evidence-level call。

预测跨度变长时，两种方法的差异更加明显。在论文的诊断子集上，LEAP相对Monolithic Prediction的绝对改进从7天到30天、60天持续扩大。面对更间接的证据，LEAP倾向于给出更宽的posterior，减少高置信度错误。