一篇题为《Rethinking Structured Generation: Can Graph-Based Reasoning Resolve Ambiguity?》的研究论文于2026年10月26日发布于arXiv（编号2610.31681v1），提出对结构化生成任务的根本性反思：摒弃将输入到结构化输出视为唯一确定映射的传统假设，转而建模语言内在的多重合理解释性。
论文指出，现有方法依赖单参考监督（single-reference supervision），强制将本应共存的多种语义有效结构压缩为单一预测，导致在输入信息不足时输出不稳定且不一致。为此，作者将任务重新定义为‘模糊感知推理问题’，目标是推理并评估一组语义合理、结构各异的候选输出，而非仅预测一个答案。
为实现该目标，研究构建了结构化输出的候选空间，将每个候选表示为捕获实体及其关系的图，并通过图基推理机制评估其语义对齐度与关系一致性，从而支持超越词元级似然的跨解释比较。实验表明，该方法在多个结构化生成基准上显著提升了准确性、输出稳定性及面对不同模糊程度输入时的鲁棒性。