大模型JSON值对位错

【背景】在LLM生成结构化数据时，存在一种隐蔽的“值对位错”现象：模型能正确提取所有数值，却将其绑定至错误的JSON路径或层级。arXiv最新研究指出，随着结构复杂度增加，这种结构性保真度的下降速度远快于内容准确性，导致下游系统静默失败。

时间线上，2026年8月26日发布的v1论文提出SCD框架，量化了DeepSeek-V4-Flash等模型在高复杂度下高达35%的错位率；同年10月14日更新的v2版本进一步证实98.6%的可追溯错误为整记录移动，并验证了通过调整输入遍历顺序和输出路径表示可显著降低此类错误。

争议在于修复策略的有效性：一方认为受限解码（Constrained Decoding）虽保证语法合法，但无法解决语义层面的位置绑定错误，甚至因强制偏离概率分布而引入新偏差；另一方则主张通过SA-RLVR强化学习直接优化结构寻址能力，实验显示其能将JSON值放置准确率从26%提升至63%。目前尚无定论表明单一方案能完全消除复杂嵌套下的错位风险。

后续需关注：1. v2论文中提出的“输入组织与输出表示联合设计”是否在更多开源模型上复现；2. 工业界是否采纳将结构寻址作为独立评估指标的标准。