YUKTI框架：从自然语言描述到稳健可验证的决策系统

传统AI决策系统通常将自然语言描述转化为单一目标、点值系数的优化问题，但这种确定性假设在实际应用中存在脆弱性——任何参数偏差都可能导致方案失效。arXiv最新研究提出的YUKTI框架改变了这一范式。

YUKTI采用类型化命题图表示法，其中每个关系都携带形状先验、系数不确定性和来源信息。系统将决策过程分解为多个阶段，分别路由到精确求解器、非线性求解器或进化算法，并通过分布式帕累托交接耦合各阶段。核心创新是引入假设鲁棒帕累托前沿（ARPF），通过重采样假设（包括结构性ε污染）来评估每个行动方案在不确定性下的存活概率（ρ）。

研究团队证明了ρ与决策遗憾之间的精确边界关系，并建立了可审计的追溯机制。在缺乏基准数据时，系统还能合成符合基准特征的数据基础（SRJANA）。验证结果显示：在受控错误设定下，鲁棒方案相比朴素点值规划将平均遗憾和尾部遗憾降低了90%以上；在受监管的商业决策中，系统在合法行动空间内优化并量化了欧元计价的潜在损失；在包含41,188个决策的真实公共数据集上，样本外回测显示系统比记录现状提升34%，比朴素点值规则提升4%，同时减少了优化器诅咒。

值得注意的是，研究强调大语言模型本质上是形式化工具而非求解器——即使给予正确数字，LLM结合单目标优化的方案遗憾仍是YUKTI的47倍。研究还发现，在长程因果耦合场景下，前向交接机制会失效，此时需要转向后向归纳的因果策略。