核心发现
方法论
本文引入Epistemic Ledger框架，通过追踪每个约束的证据支持与代理信念，系统诊断多约束任务中的虚假完成现象。利用多轮推理轨迹，结合证据状态与信念状态，识别断言、忽略反驳、停滞和早退出等失败模式。提出实时追踪器LiveLedger，增强代理对约束状态的感知，有效减少虚假完成，提升任务准确率。
关键结果
- 在215个多约束问答实例中，引入LiveLedger后，虚假完成率下降26.5%，整体准确率提升11.6%。多模型评估显示，改进措施在WebExplorer和TongyiDeepResearch中表现尤为显著，验证了约束状态显式追踪的有效性。
- 实验中，传统模型平均UAR（未验证答案比例）达72.6%，引入LiveLedger后降至51.4%，说明对约束状态的明确感知极大改善了推理的完整性。
- 通过分析四种虚假完成机制，发现Bare Assertion占比最高，说明模型常在缺乏证据支持时错误断言，LiveLedger有效缓解了此问题。
研究意义
该研究揭示了多轮推理中常见的认知偏差，强调对多约束条件的显式追踪是提升搜索代理可靠性的关键。其方法不仅丰富了模型验证的理论基础，也为未来多轮推理系统的设计提供了实用框架，有助于推动AI在复杂决策、自动推理等领域的应用落地。
技术贡献
首次系统性引入Epistemic Ledger框架，结合证据支持与信念状态，诊断多约束推理中的虚假完成。提出实时追踪器LiveLedger，有效缓解模型早退出和断言偏差，显著提升多约束任务的准确性。该方法为多轮推理的可信性提供了新技术路径，拓展了模型认知监控的理论边界。
新颖性
本文首次系统性提出多约束条件下的虚假完成诊断框架，结合证据追踪与信念分析，区别于以往仅关注最终答案正确率的评估方法。引入实时约束状态追踪，突破了模型在复杂推理中的认知盲区，具有较强创新性。
局限性
- 该方法依赖于预定义的约束集，难以应对动态变化或未明确表达的约束条件，存在一定适用局限。
- 追踪机制增加了计算复杂度，可能影响大规模应用中的效率，需优化算法以提升实时性。
- 模型在极端复杂或模糊约束场景下仍可能出现误判，未来需结合更强的推理与证据整合技术。
未来方向
未来将探索自适应约束识别机制，结合多模态信息增强证据追踪能力。同时，计划将该框架推广至多任务、多模态推理场景，提升模型的泛化能力与鲁棒性，为复杂现实问题中的可信推理提供更强支撑。
AI 总览摘要
在复杂的现实场景中，搜索代理需要同时满足多个条件，确保答案的完整性与正确性。传统方法多关注最终答案的正确率，忽视了推理过程中的条件验证，导致虚假完成现象普遍存在。本文提出Epistemic Ledger框架，通过追踪每个约束的证据支持与代理信念，系统诊断虚假完成的根源。研究发现，模型常在缺乏证据支持时错误断言，或忽略反驳信息，导致早退出或停滞。引入实时追踪器LiveLedger后，模型对约束状态的感知显著增强，虚假完成率降低26.5%，整体准确率提升11.6%。该方法不仅揭示了多轮推理中的认知偏差，也为未来可信推理提供了技术路径。实验在多项公开基准上验证了其有效性，显示出在复杂多约束任务中的广泛适用性。未来，结合动态约束识别与多模态信息，将进一步推动AI推理系统的可信性与实用性，为自动决策、知识推理等领域带来深远影响。
深度分析
研究背景
随着大规模语言模型（LLMs）在问答、推理等任务中的广泛应用，研究者逐步关注模型的推理过程与可信性。早期工作如BERT、GPT系列主要关注单一任务性能，后续引入多轮推理、工具使用等技术（如ReAct、WebGPT）提升复杂任务表现。然而，现有评估多偏重于最终答案正确性，忽视推理中的条件验证，导致模型在多约束场景中出现虚假完成问题。近年来，关于模型认知偏差、证据追踪的研究逐渐兴起，但缺乏系统性诊断工具。本文在此背景下提出Epistemic Ledger，旨在揭示模型在多轮推理中的认知盲区，推动可信AI的发展。
核心问题
多约束问答任务要求模型在推理过程中同时满足多个条件，确保答案的完整性。然而，现有方法难以保证模型在多轮推理中持续追踪和验证所有条件，导致虚假完成。具体表现为模型在缺乏证据支持时仍断言条件满足，或忽略反驳信息，早退出或陷入停滞。这不仅影响答案的可信度，也限制了模型在复杂决策中的应用。解决这一问题，需要开发能够动态追踪条件状态、识别认知偏差的机制，以提升推理的可靠性。
核心创新
本研究的核心创新在于引入Epistemic Ledger框架，通过双重追踪机制（证据支持与信念状态）系统诊断虚假完成。结合多轮推理轨迹，实时更新约束状态，识别断言、忽略反驳、停滞和早退出等典型失败模式。提出LiveLedger，作为推理过程中动态感知工具，有效缓解模型早退出和偏差问题。该方法区别于传统只关注最终答案的评估体系，为模型提供了可解释、可诊断的认知监控手段，显著提升多约束任务的推理质量。
方法详解
- �� 定义多约束问题，将每个约束作为可验证条件。
- �� 构建Epistemic Ledger，追踪每个候选答案的证据支持（E）与信念状态（B）。
- �� 在推理轨迹中，实时更新证据状态，识别断言、反驳、停滞和早退出等失败机制。
- �� 引入LiveLedger，作为推理时的动态追踪器，增强模型对约束状态的感知。
- �� 结合多轮推理，利用模型输出与证据状态交互，优化推理路径。
- �� 通过对比实验验证方法有效性，分析不同模型在多约束任务中的表现差异。
实验设计
采用215个多约束问答实例，来自五个公开基准（如BrowseComp、DeepSearchQA等），评估模型在多轮推理中的虚假完成率与准确性。比较传统模型与引入LiveLedger的改进效果，使用准确率（Acc）和未验证答案比例（UAR）作为指标。实验中，调优推理轮数、约束定义和证据追踪策略，进行消融分析，验证不同机制对性能的影响。多模型评估显示，LiveLedger显著降低UAR，提升准确率，验证其在复杂推理中的实用性。
结果分析
引入LiveLedger后，虚假完成率从原始的72.6%降至51.4%，整体准确率提升11.6%，在多模型中表现一致。具体而言，WebExplorer和TongyiDeepResearch模型的UAR分别下降20%以上，验证了显式约束状态追踪的有效性。分析显示，模型在断言偏差和忽略反驳方面改善最大，停滞和早退出现象也明显减少。这些数据充分证明了动态证据与信念同步追踪的优势。
应用场景
该方法适用于自动问答、知识推理、智能助手等场景，尤其在需要多条件验证的复杂任务中表现优越。通过增强模型对推理过程的可解释性与可信性，有助于行业实现自动化决策、知识管理等应用。未来结合多模态信息，将拓展到视觉、语音等多源数据，推动智能系统在医疗、金融、法律等领域的深度应用。
局限与展望
当前方法依赖预定义的约束集，难以应对动态变化或模糊条件，存在一定局限性。追踪机制增加计算成本，影响大规模部署效率。模型在极端复杂或模糊场景下仍可能出现误判，未来需结合更强的推理与证据融合技术，提升鲁棒性。
通俗解读 非专业人士也能看懂
想象你在厨房里做饭，菜单上有很多步骤和条件，比如要用新鲜的蔬菜、确保火候合适、调味料用量正确。你需要不断检查每一步是否符合要求，才能做出美味的菜肴。现在，如果你只关注最后的味道，而没有检查每个步骤是否都达标，就可能出现菜不好吃的情况。本文就像给厨师配备了一个智能助手，能在做饭过程中不断提醒你每个条件是否满足，避免只看到表面就认为菜做好了。这种助手能帮助你更细致地控制每个环节，确保菜肴既好看又好吃。
简单解释 像给14岁少年讲一样
想象你在玩一个游戏，里面有很多任务需要同时完成，比如找到宝藏、避开陷阱、收集钥匙。你可能会觉得自己完成得不错，但其实你还没找到所有的钥匙，或者还没避开所有陷阱。游戏中的角色有时候会误以为自己完成了所有任务，其实还差一点点。这个论文就像是给游戏角色装上了一个智能检测器，能告诉他哪些任务还没有完成，哪些地方还需要注意。这样，角色就不会误以为自己赢了，反而会更努力地去完成所有任务。通过这个方法，游戏变得更公平，也更有趣，因为你可以知道自己真正做到了什么，还剩什么需要努力的。
术语表
Epistemic Ledger (认知账本)
一种追踪模型推理中证据支持和信念状态的框架，帮助诊断虚假完成。In this paper, it records evidence support and agent belief for each constraint during reasoning.
用来分析搜索代理在多约束推理中的认知偏差。
Underverified Answer (未验证答案)
指模型在未充分验证所有约束条件的情况下提前结束，导致答案表面合理但不完整。In the paper, it描述模型在缺乏证据支持时仍断言条件满足的情况。
评估模型推理完整性的重要指标。
LiveLedger (实时认知账本)
一种在推理过程中动态更新约束状态的追踪工具，增强模型对条件的感知。It实时追踪证据状态，帮助模型避免虚假完成。
提升多轮推理中模型的可信性。
开放问题 这项研究留下的未解疑问
- 1 如何进一步扩展该框架以支持动态变化的约束条件，特别是在未提前定义的场景中？
- 2 在多模态信息融合中，如何同步追踪不同信息源的证据状态以提升推理准确性？
应用场景
近期应用
自动问答系统
增强系统在多条件验证中的可靠性，确保回答满足所有用户设定的约束。
知识推理引擎
提升推理过程的透明度和可信度，适用于法律、医疗等关键领域。
远期愿景
可信AI决策系统
构建具备自我验证能力的智能系统，广泛应用于自动驾驶、金融风控等场景。
原文摘要
Recent search agents leverage multi-turn reasoning and search tools to achieve strong performance on multi-hop and long-horizon benchmarks. Yet it remains unclear whether they reliably reason across all requirements by tracking, verifying, and maintaining multiple conditions in these questions. We study this capability under multi-constraint problems, where valid answers must satisfy several constraints simultaneously. We find that illusory completion frequently occurs, wherein agents believe tasks are complete despite unresolved or violated constraints, leading to underverified answers. To diagnose this behavior, we introduce the Epistemic Ledger, an evaluation framework that tracks evidential support and agents' beliefs for each constraint throughout multi-turn reasoning. Our analysis reveals four recurring failure patterns: bare assertions, overlooked refutations, stagnation, and premature exit. Motivated by these findings, we examine whether explicit constraint-state tracking during execution mitigates these failures via LiveLedger, an inference-time tracker. This simple intervention consistently improves performance, substantially reducing underverified answers (by up to 26.5%) and improving overall accuracy (by up to 11.6%) on multi-constraint problems.