SML-CML：为大型语言模型构建结构化推理与价值评估双层框架

SML-CML是针对大型语言模型（LLM）在深度语境理解和价值判断领域不足提出的创新双层推理框架，包含语义模型层（SML）和宇宙论模型层（CML）。本文介绍其设计原理、实际应用场景（如医疗诊断评估、跨文化教育、伦理推理等）及实践价值，旨在帮助AI系统实现基于世界观的深度语境推理。

当前LLM在模式匹配和文本生成方面表现出色，但在医疗诊断、伦理推理、跨文化对话等需要深度语境理解和价值判断的场景中，往往难以理解“为什么正确”以及“对谁而言正确”，存在明显局限性。

SML-CML框架分为两个互补层次：

语义模型层（SML）

负责构建问题框架，关注意义生成、解释性框架构建及不同解释的比较。例如面对“疲劳”症状时，引导思考不同医学视角的解读，结构化处理溯因推理与诠释框架。

宇宙论模型层（CML）

编码支撑解释的价值体系或世界观，回答如“健康应优先自然和谐还是消除疼痛”等问题，使规范评估扎根于伦理、文化等传统，实现深度 adequacy评估。

SML-CML在多个领域展现应用价值：

• AI诊断评估：区分语义连贯性与世界观敏感的 adequacy，超越传统依赖训练数据的正确性判断。
• 跨文化教育：展示世界观对推理的塑造，帮助学生理解同一症状因诠释框架不同的意义差异。
• 伦理推理与对话：显化道德判断背后的价值假设，促进价值多元背景下的建设性交流。
• 临床沟通改善：帮助医护理解患者对疾病的诠释，辅助尊重患者的沟通。

框架配套实践材料遵循三项原则：

1. 尊重患者世界观：不轻视基于宗教、文化等的疾病观念；
2. 隐私优先：仅使用匿名化、泛化的案例摘要，不上传原始患者表格；
3. 透明使用：提供显式可审查的支持，非不透明AI使用。 材料包括问卷模板、匿名化规则、基准测试模板等，无识别患者信息。

开发基于框架的AI辅助评估基准材料，包括世界观敏感的临床问卷、匿名化转化规则、结构化比较提示词及分层评分工具。评估目标并非模型排名，而是检验AI在诠释任务中的表现、世界观敏感推理的薄弱点、语义与宇宙论 adequacy的分歧及人类评估者的评价差异。

SML-CML并非自动化道德权威或取代人类判断，而是帮助澄清AI输出的意义层、语义连贯性掩盖的世界观不敏感推理，强调在伦理、医疗等复杂对话中人类诠释的必要性。它既是分层意义的概念模型，也是评估AI辅助性与过度委托的实用框架。

随着LLM的深入应用，使AI推理更具语境敏感性和价值意识迫在眉睫。SML-CML通过分离意义生成与价值评估，为AI超越模式匹配、与人类思想深度交互提供方向，值得AI伦理、医疗AI及跨文化计算领域的从业者和研究者探索。