证据驱动的 NLP 系统常需顺序验证嵌套文本区域，验证一个区域会限制其他区域的选择。我们将此过程形式化为在线证据包含预测（OECP），即在实际验证之前对每个候选跨度进行预测，并且每个查询最多被询问一次。跨度包含关系对应于三角形的二维乘积序，因而 OECP 等价于不同查询下的在线等距回归。针对多目标情况，最坏情况的后悔上界接近线性，记为 $\widetilde{\Theta}(m_{\mathrm{eff}})$，其中 $m_{\mathrm{eff}}$ 为端点秩压缩得到的有效规模；而在单一固定目标（如标准问答）下，可构造多项式时间学习器，实现最优的 $\Theta(\log m_{\mathrm{eff}})$ 后悔，并在真实的 Natural Questions 任务上进行实验。实验表明，在 Natural Questions 数据集上，利用包含关系可显著提升推理收益，且在未解决的候选上仍有小幅学习增益，且该现象在两种主干模型和 DPR 层次结构上均可复现。我们进一步提出期望搜索空间缩减（ESR）指标，将预测概率转化为决策，在 SciFact、ERASER 以及 DPR 层次结构上实现更少的验证调用。对比四种最新的外部选择器，在调用预算受限的情况下，ESR 在 DPR 层次结构上表现更佳，并在固定阅读器上提升了 F1，超过了学习型和生成式贪婪调度的效果。点评