Chain of thought 提示能够提升复杂推理，但其产生的长链中间步骤导致推理成本高，难以在金融场景部署。为此我们提出层次语义蒸馏网络（Hierarchical Semantic Distillation Network，HSDN），在保持答案准确性和逻辑连贯性的前提下压缩推理链。
网络主要包括以下步骤：语义分割将完整链划分为语义片段；基于片段之间的依赖关系构建有向图；双编码器对每个片段进行重要性打分；在预设压缩率约束下进行受限片段选择；对被裁剪片段的边界进行局部重写以恢复上下文。特征提取和最终答案生成仅使用冻结的 Qwen3‑4B 模型，压缩过程本身保持结构化且可解释。
实验在 AFAC2025 基准上完成，HSDN 在保持 91.0% 准确率的同时实现 68.4% 的链路压缩，整体得分和推理连贯性均优于多种强基线。结果表明，图引导的压缩策略在高风险金融推理任务中具备显著优势。
点评：图结构引导的压缩方法在保持推理质量的同时大幅降低计算开销，为金融大模型的落地提供了可行路径。