xxaikey
免费订阅
← 全部资讯
论文arxiv cs.CL · 2w ago重要

AgentKGV: Agentic LLM-RAG Framework with Two-Stage Training for the Fact Verification of Knowledge Graphs

分类释义：学术论文 / 技术报告

TL;DR

AgentKGV 通过动态路由和迭代查询重写提升知识图谱事实验证，结合蒸馏 SFT 将大模型推理能力迁移到小模型，以及 GRPO 优化检索策略，将平均搜索调用从 3.24 次降至 1.63 次。

关键要点

  • 01AgentKGV 通过动态路由和迭代查询重写提升知识图谱事实验证。
  • 02结合蒸馏 SFT 将大模型推理能力迁移到小模型。
  • 03以及 GRPO 优化检索策略。
  • 04将平均搜索调用从 3.24 次降至 1.63 次。
为什么值得关注

知识图谱自动构建的噪音问题是工业级 KG 应用的痛点，AgentKGV 的两阶段训练（蒸馏+GRPO）为「如何让小模型高效替代大模型做检索增强推理」提供了可复用的训练范式。

对你的工程实践意味着什么

LLM 实时生成MiniMax-M2.7缓存命中
角色你应该做什么
Tech Lead评估 AgentKGV 两阶段训练范式是否适用于团队当前的 RAG 场景，尤其是需要小模型替代大模型的 case
应用工程师跟进 AgentKGV 开源代码仓，复现两阶段训练流程（蒸馏 SFT + GRPO）的关键配置
运维 / 平台评估蒸馏训练和 GRPO 优化的算力成本，估算小模型替代大模型后的推理资源节省
产品 / 业务暂无直接影响，了解即可
阅读原文 ↗来源：arxiv cs.CL

同类资讯

arxiv cs.CL·1d ago

Sympathetic Framing: Evaluating AI Alignment across Sociodemographic Groups

arxiv cs.LG·1d ago

Recursive transformers for semiconductor thermo-mechanical reliability

arxiv cs.CL·1d ago

LayerRAG-Bench: A Cross-Layer Reliability Benchmark for Agentic Retrieval-Augmented Generation

本页 TL;DR 与「为什么」由 LLM 生成 · 模型：MiniMax-M2.7 / Claude Haiku 4.5