本文探讨在仅使用可解释的图结构表示证据的前提下，能否实现自然语言推理（NLI）。我们构建了一个全图谱流水线，分类器不直接处理原始文本，而是将句子拆解为原子命题，再通过受约束的解码转化为 ConceptNet 三元组，最终得到三张图：前提图、假设图以及检索得到的 ConceptNet 子图。这三张图被送入一个经过微调的 0.8 B 参数语言模型进行判别。实验在 SNLI 数据集上取得 89.7% 的准确率，仅比同等文本模型低 1.9 分；在 ANLI 上，R2、R3 两轮的表现与 RoBERTa‑large 相当（约 50%），但在 R1 上落后 16 分，整体比文本模型低 9‑14 分。我们将这段差距称为可解释性的代价，并通过消融实验表明，误差主要来源于图表示的容量限制，而非数据不足。进一步的分析显示，图和文本信息是互补的，二者融合后在 SNLI 上可达 92.1% 的准确率。
点评