面向推理大模型的图序列化：跨知识提取与结构推理的对比研究
英文标题：Graph Serializations for Reasoning LLMs: A Study Across Knowledge Extraction and Structural Reasoning
本研究探讨了将知识图谱序列化为文本以嵌入大语言模型（LLM）上下文的各类方法。已有研究表明，不同的序列化格式可能导致下游模型性能产生数十个百分点的显著差异。该论文针对推理型大模型，系统评测了其在知识提取与结构推理两大核心任务下的表现差异。研究结论对图增强检索（Graph RAG）及知识驱动型 Agent 的上下文设计与提示工程具有重要参考价值。
打开原文相关 2.4 · 机会 0
2.1 KB
483 B
612 B
380 B
9.1 KB
32.7 KB
22.8 KB
24.2 KB
34.7 KB
中文
论文编号：arXiv:2610.22734v1
发布类型：最新论文（New）
论文摘要
将知识图谱序列化为文本并纳入大语言模型（LLM）上下文的方式，会对下游 LLM 的表现产生实质性影响；先前的研究指出，不同格式之间的模型性能差异可高达数十个百分点。然而，现有的研究往往仅考虑了……
BibTeX 格式引用
×
English / 原文
BibTeX formatted citation
×