研究问题与动机
- 传统 GraphRAG 的一跳邻域和单次生成难以覆盖远距离节点之间的证据。
- 图遍历方法可以通过函数调用逐步探索,但固定推理预算会限制可达深度。
- 论文要区分两种预算:顺序扩展增加一条轨迹的探索深度,并行扩展增加独立轨迹数量并投票。
方法与机制
推理—执行循环
模型在每一步生成 thought-action 对,调用图接口取得结果,再将历史轨迹作为下一步上下文。论文将其与标准 GraphRAG 和 GraphCoT 对比;图检索基线使用 embedding 检索节点及其一跳子图。
两种扩展
- Sequential scaling:将 reasoning steps 从 10 增至 25 或 50,使模型可以继续沿图探索。
- Parallel scaling:对同一问题采样 4、8 或 16 条轨迹,以最终答案/轨迹的多数票作为输出。
这是一种推理时控制方法,不更新模型参数,也没有在本文中训练新的图检索器或外部 verifier。
证据与结果
| 配置 | 平均 F1 | 平均 RougeL |
|---|---|---|
| 标准 GraphRAG | 28.87 | 6.01 |
| 10 steps, 1 vote(GraphCoT 对照) | 36.49 | 27.21 |
| 50 steps, 1 vote | 43.02 | 31.07 |
| 50 steps, 8 votes | 47.12 | 33.82 |
| 50 steps, 16 votes | 47.55 | 34.33 |
在主设置中,最高预算相对标准 GraphRAG 的平均 F1 提升为 18.68 个百分点;论文将其表述为相对提升 64.7%。这里的增益来自更高推理预算,不能解释为单独的检索器改进。
局限与开放问题
- 多数投票按频率聚合,错误但高频的动作或答案可能胜出;作者建议引入外部 verifier。
- 轨迹依赖 in-context 示例来学习图接口,论文未用强化学习直接优化长期 traversal policy。
- 更高 steps/votes 会线性增加推理成本;论文没有给出一个跨查询自适应停止器。
- 结论绑定 GRBench、所用图接口和 LLM backbone,不能直接外推到开放文档 GraphRAG 或其他 evidence-set 目标。
关联与拓展
暂无可可靠提取的关联研究段落;先从研究问题索引横向比较。
研究问题入口
Q3 证据检索与集合形成, Q4 查询规划与执行, Q5 动态状态与学习策略, Q6 证据来源与可解释性, Q7 鲁棒性与安全