GHS-TDA：一种整合全局假设空间与拓扑数据分析的协同推理框架

思维链（CoT）已被证明能显著提升大语言模型（LLMs）在复杂任务中的推理准确性。然而，由于其自回归、逐步生成的范式，现有CoT方法存在两个根本性限制。首先，推理过程对早期决策高度敏感：一旦引入初始错误，它倾向于在后续步骤中传播和放大，而缺乏全局协调和修正机制使得此类错误难以纠正，最终导致推理链扭曲。其次，当前CoT方法缺乏结构化分析技术来过滤冗余推理并提取关键推理特征，从而导致推理过程不稳定且可解释性有限。为了解决这些问题，我们提出了GHS-TDA。GHS-TDA首先构建一个语义丰富的全局假设图，以聚合、对齐和协调多个候选推理路径，从而在局部推理失败时提供替代的全局修正路径。然后，它基于持久同调的拓扑数据分析技术，捕捉稳定的多尺度结构，去除冗余和不一致性，并提取更可靠的推理骨架。通过联合利用推理多样性和拓扑稳定性，GHS-TDA实现了自适应收敛，生成高置信度和可解释的推理路径，并在多个推理基准测试中始终优于强大的基线方法，在准确性和鲁棒性方面表现优异。