AgentKGV框架通过两阶段训练改进知识图谱事实验证

研究人员推出AgentKGV，一个新颖的框架，旨在利用智能体LLM-RAG方法增强知识图谱的事实验证。该框架结合了动态路由和迭代查询重写，以应对文档检索中的挑战。为了提高准确性和效率，AgentKGV采用了两阶段训练策略：回合级监督微调（SFT）用于稳定的查询重写，以及轨迹级GRPO用于优化搜索策略和减少检索调用。该框架在T-REx基准测试中表现出显著的改进，优于单回合RAG，并通过其两阶段训练进一步提升了性能。 AI

影响 提高了知识图谱事实验证的准确性和效率，可能提高了AI生成知识的可靠性。

排序理由 该集群包含一篇研究论文，详细介绍了用于知识图谱事实验证的新框架和训练策略。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

• AgentKGV
• arXiv
• GRPO
• Hugging Face
• knowledge graph
• LLM-RAG
• supervised fine-tuning
• T-REx benchmark

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →