مدل‌های زبانی بزرگ در وظایف زبان طبیعی درخشان هستند. اما وقتی پای استدلال پیچیده و دانش‌محور به میان می‌آید، کُند می‌زنند. گراف‌های دانش دانش ساختاریافته‌ای ارائه می‌دهند که می‌تواند عملکرد را تقویت کند. با این حال، استدلال دقیق چندمرحله‌ای روی این گراف‌ها همچنان چالشی بزرگ باقی مانده است.
رویکردهای سنتی، استدلال را به مراحل جداگانه تجزیه می‌کنند. این کار انعطاف‌پذیری را محدود و تصمیم‌گیری را قطعه‌قطعه می‌کند. نتیجه: ناسازگاری و از دست رفتن اطلاعات حیاتی میانی.
KG-Reasoner این محدودیت‌ها را برطرف می‌کند. این چارچوب، استدلال چندمرحله‌ای را در یک فاز «تفکر» یکپارچه ادغام می‌کند. از طریق یادگیری تقویتی (Reinforcement Learning)، مدل یاد می‌گیرد فرآیند پیمایش گراف دانش را درونی کند. این امکان را فراهم می‌کند که مسیرهای استدلال را پویا کاوش کند و در صورت نیاز، بازگشت استراتژیک انجام دهد.
رویکرد سرتاسری (End-to-End) سیستم را قادر می‌سازد انسجام را در حل پرسش‌های پیچیده حفظ کند.
این چارچوب روی هشت معیار سنجش استدلال چندمرحله‌ای و دانش‌محور ارزیابی شد. نتایج: عملکرد رقابتی یا برتر نسبت به روش‌های پیشرفته موجود. KG-Reasoner با درونی‌سازی فرآیند پیمایش به جای تکیه بر خط‌لوله‌های ثابت، استدلالی انعطاف‌پذیرتر و منسجم‌تر ارائه می‌دهد.
این پژوهش گامی مهم در پاسخگویی به پرسش‌های مبتنی بر پایگاه دانش محسوب می‌شود. رویکردی سازگارتر برای پرسش‌های پیچیده‌ای که نیاز به ترکیب اطلاعات از چند مرحله در گراف‌های دانش دارند، ارائه می‌دهد. این کار شکاف میان توانایی‌های مدل‌های زبانی بزرگ و نمایش دانش ساختاریافته را پر می‌کند.
گفتگو