Yufeng Li, Zaijing Li, Fuchen Zhang, Zongzong Wu, Ming Zhao, Fengxiao Tang · 2026 · arXiv
DOI: 10.48550/arXiv.2610.29933 · open-access PDF
Retrieval-Augmented Generation (RAG) thường tích hợp các biểu đồ kiến thức (KGs) để trả lời các câu hỏi đa bước phức tạp. Tuy nhiên, hiệu suất của họ ngày càng bị chặn bởi các quá trình cấu trúc kiến thức và lý luận. (i) Thiệt hại ngữ nghĩa nghiêm trọng: Việc chưng cất các văn bản liên tục thành các biểu tượng riêng biệt loại bỏ các sắc thái ngữ cảnh và tính nhất quán kể chuyện. (ii) Sự không phù hợp phương thức rõ rệt: Các cấu trúc biểu đồ phân mảnh va chạm với các văn bản liên tục mà LLMs được đào tạo trước, trong khi viết lại chúng thành ngôn ngữ tự nhiên giới thiệu tiếng ồn tạo ra và bỏ qua thông tin.
Machine translation (Meta M2M100); the English original follows.
Retrieval-augmented generation (RAG) frequently integrates knowledge graphs (KGs) for complex multi-hop question answering. However, their performance is increasingly bottlenecked by the knowledge structuring and reasoning processes. (i) Severe semantic loss: Distilling continuous texts into discrete symbols strips away contextual nuances and narrative coherence. (ii) Pronounced modality mismatch: Fragmented graph structures clash with the continuous texts LLMs are pre-trained on, while rewriting them into natural language introduces generative noise and omits information. To address these lim
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.29933, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange