影音先锋橹撸资源_人妻少妇孑伦无码视频_日本女人牲交视频免费看_国产香蕉视频上线免费_波多野结超清无码中文影片_婷婷色丁香五月激情综合在线观看_寡妇高潮流白浆A片_国产精品九色 Av_花房姑娘电影未删减版免费观看_国产亚洲综合一区三区在线播放

近日，螞蟻集團知識引擎團隊協(xié)同浙江大學、同濟大學正式發(fā)布了其在結(jié)構(gòu)化推理領(lǐng)域的最新成果——KAG-Thinker模型，該模型是KAG框架的重要迭代升級，聚焦于為通用或?qū)I(yè)領(lǐng)域復(fù)雜推理任務(wù)構(gòu)建穩(wěn)定、可解釋的思考范式。

2025年以來，OpenAI推出的DeepResearch展示了大模型在復(fù)雜推理任務(wù)中多輪檢索、規(guī)劃推理的強大能力。隨后，產(chǎn)學界涌現(xiàn)了較多以模型為中心(Model-Centric)的方法，比如Search-R1、ReSearch等。它們的核心思路是，通過強化學習讓模型自己“學會”如何檢索和利用外部知識，從而讓小模型也能像專家一樣“思考”。然而，這些基于自然語言的推理方法就像讓模型“自由發(fā)揮”，推理不嚴謹、過程不穩(wěn)定等問題依然突出。而人類專家解決復(fù)雜問題時，往往采用結(jié)構(gòu)化的思考方法，把原始問題拆解成多個可獨立驗證的小問題，并依次求解。受此啟發(fā)，研究團隊提出了KAG-Thinker，為模型的思考過程建立一套清晰、分層的“腳手架”，從而提升復(fù)雜任務(wù)中推理過程的邏輯性與穩(wěn)定性。

該模型延續(xù)了KAG框架LogicalForm自然語言與邏輯函數(shù)雙語義表示機制，以更好地利用結(jié)構(gòu)化知識；并通過廣度拆分與深度求解相結(jié)合的方式，提升問題求解的嚴謹性；同時引入以知識點對齊為中心的知識邊界判定機制，以充分利用大模型參數(shù)化知識與外部形式化知識，并借助內(nèi)容抗噪模塊降低檢索信息噪聲，增強檢索內(nèi)容的可信度。

視頻1KAG-Thinker與KAG框架集成，「結(jié)構(gòu)化思考」引導(dǎo)的「深度推理」問答產(chǎn)品示例

最終，研究團隊將上述策略集成于一個支持多輪迭代與深度推理的統(tǒng)一架構(gòu)中，通過監(jiān)督微調(diào)方法訓(xùn)練出KAG-Thinker7B通用模型。

實驗結(jié)果顯示，在7個單跳和多跳推理數(shù)據(jù)集上，其性能相較使用強化學習Search-R1、ZeroSearch、ReSearch等SOTA深度搜索方法平均提升了4.1%。與KAG框架集成后在多跳推理任務(wù)上超越HippoRAGV2、PIKE-RAG等In-ContextLearning（以Qwen2.5-72B為基模）方法。此外，模型也在醫(yī)療問答任務(wù)中驗證了其在專業(yè)領(lǐng)域中的有效性。其他專業(yè)領(lǐng)域的精細化定制，可以參考其在醫(yī)療問答上的應(yīng)用及表現(xiàn)。

圖1KAG-Thinker語料合成和模型訓(xùn)練過程概覽

模型方法

模型的架構(gòu)如下圖所示。模型的核心內(nèi)容包括：

圖2復(fù)雜問題求解概覽圖

廣度拆分+深度求解：應(yīng)對復(fù)雜決策任務(wù)

復(fù)雜多跳問題通常需拆分為多個簡單子問題，以更高效地利用外部知識庫進行求解，KAG-Thinker提出了一種「廣度拆分+深度求解」的方法（詳見圖2）：

廣度拆分：將原始問題分解為若干原子問題，各子問題間保持邏輯依賴關(guān)系，確保拆分的準確性。每個原子問題由一個LogicalForm算子表示。每個LogicalForm具備雙重表示形式——自然語言描述（Step）與邏輯表達式（Action），二者語義一致。

深度求解：針對需要檢索(Retrieval)的子問題，進行深入求解，以獲取充足的外部知識保障答案準確。在檢索前，模型會先執(zhí)行知識邊界判定：若判斷當前大模型自身知識已足夠回答該子問題，則跳過檢索；否則繼續(xù)深度求解。

知識邊界判定：充分利用LLM參數(shù)化知識

為充分利用大模型的參數(shù)化知識、減少不必要的檢索任務(wù)，KAG-Thinker以知識點（如實體、事件）為中心定義Retrieval子任務(wù)，并通過SPO三元組限定檢索粒度，以此為基礎(chǔ)判斷大模型與外部知識庫的邊界。

知識邊界判定任務(wù)是一個無監(jiān)督過程：首先讓大模型直接作答子問題，再由其判斷該答案是否為真實答案。此過程生成兩個標簽：

自然語言輸出的判斷結(jié)果（True/False）；

答案首次出現(xiàn)時對應(yīng)token的概率，若低于設(shè)定閾值則標記為False，否則為True。

僅當兩個標簽均為True時，才認為大模型自身知識足以回答該子問題，無需額外檢索，可直接采用其生成的答案。

圖3知識邊界判定

檢索內(nèi)容抗噪：提升檢索內(nèi)容的可信度

對于必須檢索的子問題，Thinker需要判斷當前檢索結(jié)果是否能求解出對應(yīng)子問題。然而，不同檢索器檢索的內(nèi)容參差不齊，尤其是網(wǎng)頁檢索得到的內(nèi)容。

為了更好的分析檢索結(jié)果，檢索抗噪模塊會分析每篇檢索回來的文章與當前子問題的關(guān)系，去掉一些無關(guān)內(nèi)容，再從剩余內(nèi)容從中提取一些核心信息，作為直接給出子問題的答案還是繼續(xù)進行深度檢索的依據(jù)。

LogicalForm求解器

在廣度拆分和深度求解時，Thinker沿用KAG框架中定義的4種LogicalForm求解器。每種LogicalForm算子的定義如圖4所示。Retrieval主要解決檢索類的問題，Deduce和Math主要解決推理分析類問題，Output主要用于答案匯總。

實驗結(jié)果

單跳和多跳問答

為了評估模型的效果，研究團隊選了7個通用的單跳和多跳推理數(shù)據(jù)集，并使用相同的檢索器(E5-base-v2)，Baseline選擇了最新的ReSearch、Search-R1、ZeroSearch和StepSearch等。并沿用這些Baseline方法的評價指標(EM)。為了使用相同的檢索器，只使用LogicalForm表示中的Step中的純自然語言的內(nèi)容。整體實驗效果如表1所示。

與無檢索基線相比，Thinker模型的平均性能比NaiveGeneration和CoT分別高出27.1%和34.6%。

與檢索增強方法相比，Thinker模型的平均性能比Search-o1、IRCoT和NaiveRAG分別高出24.6%、22.6%和14.8%。

與基于強化學習的方法相比，Thinker模型比SOTA模型ReSearch高出4.1%。

具體而言，在單跳數(shù)據(jù)集中平均提升了4.5%，在多跳數(shù)據(jù)集中平均提升了3.9%。主要原因是，知識點粒度的檢索任務(wù)拆解降低了檢索的復(fù)雜性。

表1不同模型(基座模型Qwen2.5-7B-Instruct)在不同數(shù)據(jù)集上的EM性能

KAG框架升級

KAGV0.8升級了知識庫的能力。擴展了私域知識庫（含結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)）、公網(wǎng)知識庫兩種模式，支持通過MCP協(xié)議引入LBS、WebSearch等公網(wǎng)數(shù)據(jù)源。此外，升級了私域知識庫索引管理的能力，內(nèi)置Outline、Summary、KnowledgeUnit、AtomicQuery、Chunk、Table等多種基礎(chǔ)索引類型，支持開發(fā)者自定義索引&產(chǎn)品端聯(lián)動的能力(如視頻2所示)。

用戶可根據(jù)場景特點選擇合適的索引類型，在構(gòu)建成本&業(yè)務(wù)效果之間取得平衡。在本次0.8的發(fā)版中，KAG全面擁抱MCP，提供接入公網(wǎng)MCP服務(wù)及在agent流程中集成KAG推理問答（基于MCP協(xié)議）的能力。

視頻2可配置化的知識索引構(gòu)建能力

KAG框架的應(yīng)用

KAG框架V0.8版本為Thinker模型應(yīng)用提供支持，融入KAG框架后的Thinker模型，Math、Deduce都使用框架中的求解器進行求解，再用Thinker模型進行答案匯總，可以看到KAG-Thinker7B的平均EM和F1性能相比于Thinker模型平均提升3.0%，3.8%。這也說明KAG框架能更好的幫助Thinker模型進行求解。

表2不同模型在自建檢索庫上的性能

同時，針對KAG框架問題拆解不穩(wěn)定的現(xiàn)象，也做了問題廣度拆解的穩(wěn)定性測試，將同一個問題，拆解兩次，如果兩次結(jié)果相同，則分數(shù)為1，否則為0。

實驗結(jié)果如圖5所示，KAG-Thinker7B在HotpotQA、2Wiki和Musique這三個數(shù)據(jù)集上的穩(wěn)定性表現(xiàn)優(yōu)于KAG-V0.87B和KAG-V0.872B。在常用的溫度參數(shù)0.6和0.8下，KAGwithThinker7B+72B分別相對于KAG-V0.87B和KAG-V0.872B平均提升了17.9%和7.6%。

圖5不同溫度參數(shù)下不同模型穩(wěn)定性測試

KAG-V0.8withThinker在三個數(shù)據(jù)集上的平均性能要優(yōu)于HippoRAGV2和PIKE-RAG，詳細的實驗設(shè)置參考KAG-V0.8releasenotes。

雖然KAG-V0.8withThinker大幅度提升了框架的穩(wěn)定性，但是平均性能要低于KAG-V0.872B，略高于KAG-V0.832B。這說明7B的Thinker模型的問題拆解能力還有所欠缺，分析BadCase發(fā)現(xiàn)，對于一些復(fù)雜的問題，Thinker模型的拆分能力還不夠，例如「WhoisthepaternalgrandmotherofJohnIii,DukeOfCleves?」，需要分解出JohnIii,DukeOfCleves的媽媽是誰和JohnIii,DukeOfCleves的媽媽的媽媽是誰。

這種問題Thinker模型拆分不穩(wěn)定，主要的原因有兩種，第一，LLM對復(fù)雜的純自然語言問題拆分存在不一致，第二，7B模型的泛化能力有限。為了解決這些問題，研究團隊表示將來會從結(jié)構(gòu)化數(shù)據(jù)中合成問題拆分樣本，保證模型拆分的一致性。

表3不同框架在多跳推理上的性能表現(xiàn)

醫(yī)療領(lǐng)域的應(yīng)用

為了驗證該框架在專業(yè)領(lǐng)域的能力，研究團隊在醫(yī)療領(lǐng)域做了一系列的改造，訓(xùn)練出了KAG-Med-Thinker。實驗結(jié)果如表4所示，在DeepSeek-R1-Distill-Qwen-14B上，與已有的多輪規(guī)劃和檢索增強模型IRCoT和ReAct相比，KAG-Med-Thinker分別取得了3.95%和4.41%的顯著性能提升。同時，它還比NaiveRAG自適應(yīng)檢索模型高出3.8%。

表4、不同模型在MedQA上的準確性

總字數(shù)超6000萬,評分至少9.5,十本神級小說推薦,文筆故事絕佳

第三本《恐怖都市》作者：猛虎道長字數(shù)：548.5萬狀態(tài)：已完結(jié)等級：強烈推薦概述：主角曾是一名退役軍人和電工，某日突然發(fā)現(xiàn)自己能夠進入一個廢土般的里世界，這里充斥著各種山海經(jīng)神話怪物以及歷史與神話中的人物-|。他小心翼翼地探索這個世界，并在現(xiàn)實中拜國術(shù)高手為師，打怪升級，覺醒類似系統(tǒng)的天賦能力——。隨著等我繼續(xù)說__。
就在一個星期之前，李無患為了寫一本新書，從網(wǎng)上訂購了一本山海經(jīng)！山海經(jīng)被譽為大正國第一奇經(jīng)-。自古流傳至今！不少小說里面各種神話的事情，實際上都是脫胎于山海經(jīng)之中的——。買那一本山海經(jīng)只是更好的寫作，能夠借鑒！但是李無患打死都沒想到的是，他買來的這一本山海經(jīng)，與別人的山海經(jīng)不太一樣——_。具體怎么不到此結(jié)束了？。

8本洪荒流小說推薦,文筆俱佳,總有一本你看過!

一、《佛本是道》，夢入神機洪荒流，仙俠，山海經(jīng)，古典神話，國術(shù)——。一個都市少年，機緣巧合之下開啟了佛與道的秘密，揭開上古封神之戰(zhàn)，開啟了傳奇人生，演繹一部現(xiàn)代封神演義。這本書融合了封神、西游、山海經(jīng)、道教神話，佛教神話，明清志怪小說、蜀山等等元素，在書中首創(chuàng)融合中國各大神話傳說，建成大一統(tǒng)神話希望你能滿意————。
第八部、《我的鍍金時代》，作者：黑色的單車，類別：都市都市生活，字數(shù)：303萬(已完本)標簽：經(jīng)營，正能量，明星簡介：主角白實秋酒后重生到1999年高二時期，重生后決心改變自己，來避免前世混的不太好的局面。因為自己成績不太行的原因，選擇轉(zhuǎn)為藝術(shù)生，到京城通過了藝考，還參演了一部影視劇。通過兩段廣告后面會介紹。

十五本腦洞情節(jié)精彩的高品質(zhì)小說,劇情爽感拉滿,看得十分過癮!

第八部、《諸天歸來》，作者：如履，類別：仙俠幻想修仙，字數(shù)：223.25萬(已完本)標簽：諸天流，靈氣復(fù)蘇，快節(jié)奏，封神簡介：主角祁云在夢中經(jīng)歷了無數(shù)輪回世界，包含了蜀山、山海經(jīng)、西游、封神等世界。在這次他攜帶了無數(shù)的記憶，里面有很多神功和隱秘|。依靠這些記憶的幫助，他在這一世界煉制翻天印、金蛟剪等我繼續(xù)說_——。
2、厭倦了都市生活的寫手王宏，回到了風景優(yōu)美的家鄉(xiāng)，想要進一步創(chuàng)作。但意外進入了本源中文網(wǎng)，更神奇的是，在這個網(wǎng)站中的小說能夠演變真實的世界?！锻昝馈分校〔稽c在哀嚎，誰動了我的獸奶？　　《斗破》中，炎帝疑惑，我的異火被人拿去燒菜了？　　《山海經(jīng)》更是一本究極食譜……　　王宏不需要再去喧囂好了吧！