GGraphRAG 文献图谱自动同步
LIT-F2217936 · 2025

Towards Practical GraphRAG - Efficient KG Construction and Hybrid Retrieval at Scale

Towards Practical GraphRAG: Efficient Knowledge Graph Construction and Hybrid Retrieval at Scale

摘要级记录优先级 P1Congmin Min, Sahil Bansal, Joyce Pan, Abbas Keshavarzi, Rhea Mathew, Amar Viswanathan KannanarXiv
内容状态:摘要级记录。结构化摘录继承当前知识库的来源等级;具体 claim 应回到一手论文核验。

研究问题与动机

企业级 GraphRAG 的两大挑战

  1. 知识图谱构建成本高昂

    • LLM-based 提取需要大量 API 调用
    • 处理大规模企业文档(数千页)成本不可接受
    • 构建时间长,难以快速迭代
  2. 大规模检索效率问题

    • 纯图遍历在大规模 KG 上延迟高
    • 纯向量检索缺乏关系推理能力
    • 需要平衡准确性与效率

研究目标

设计一个成本可控、性能可靠、可扩展的 GraphRAG 系统,适用于企业级部署,特别是遗留代码迁移场景。


方法与机制

1. 高效知识图谱构建

文档预处理管道

多格式支持:

  • PDF, HTML, XLSX, CSV 等企业常见格式
  • 使用 Docling 进行统一解析

层次化分块:

  • 在章节边界进行分块,保留文档结构
  • 过滤无动词短语的句子,减少噪声

基于依存句法的三元组提取

核心思想: 利用句法结构直接提取实体-关系-实体三元组,避免 LLM 调用。

算法流程 (Algorithm 1):

def extract_triples(sentence):
    # 1. 依存句法分析
    doc = spacy_parser(sentence)
    
    # 2. 识别主语-谓语-宾语
    for token in doc:
        if token.dep_ == "nsubj":  # 主语
            subject = token
            verb = token.head  # 谓语
            
            # 3. 处理被动语态
            if is_passive(verb):
                subject, object = swap(subject, find_object(verb))
            
            # 4. 短语合并
            subject_phrase = merge_noun_phrase(subject)
            verb_phrase = merge_verb_phrase(verb)
            object_phrase = merge_noun_phrase(find_object(verb))
            
            # 5. 共指消解
            subject_phrase = resolve_coreference(subject_phrase)
            object_phrase = resolve_coreference(object_phrase)
            
            # 6. 生成三元组
            yield (subject_phrase, verb_phrase, object_phrase)

示例:

  • 输入: "SAP launched Joule, an AI copilot."
  • 输出: ("SAP", "launched", "Joule")

技术细节:

  1. 被动语态处理: "Joule was launched by SAP" → ("SAP", "launched", "Joule")
  2. 短语合并: "the new AI copilot" 作为整体实体
  3. 共指消解: "it" → 前文提到的实体
  4. 线性提取启发式: 处理复杂句式的回退策略

LLM-based 提取(可选)

对于关键文档集合,提供 GPT-4o 提取选项:

  • Few-shot prompting
  • 结构化输出(JSON 格式)
  • 更高准确率,但成本显著增加

图存储与嵌入

  • 图数据库: iGraph(内存高效)
  • 嵌入模型: OpenAI text-embedding-3-large
  • 嵌入对象: 实体、文本块、关系(分离嵌入)

2. 混合图检索策略

级联检索管道

阶段 1: 查询实体识别

  • 使用 SpaCy 的名词短语提取器识别关键概念
  • 向量相似度搜索检索 top-5 相关节点作为种子

阶段 2: 图查询执行

  • 从种子节点进行 1-hop 遍历
  • 检索邻居数量:
    • 小/中型图: $k = 100$
    • 大型图: $k = 200$

阶段 3: 相关性排序

  • 文本块按余弦相似度排序
  • 关系按语义相关性排序

阶段 4: Reciprocal Rank Fusion (RRF)

融合图检索和向量检索的结果:

\text{RRF}(d) = \sum_{r \in R} \frac{1}{k + r(d)}

其中:

  • $R$: 排序列表集合(图排序 + 向量排序)
  • $r(d)$: 文档 $d$ 在排序 $r$ 中的位置
  • $k$: 常数(通常为 60)

阶段 5: 上下文整合

传递给 LLM 的上下文包括:

  • Top-k 文本块
  • Top-2k 关系三元组
  • 种子实体信息

分离嵌入的优势

嵌入类型 作用 优势
实体嵌入 实体相似度匹配 捕获概念语义
文本块嵌入 文档检索 保留上下文信息
关系嵌入 关系推理 显式建模连接

多粒度匹配: 不同嵌入空间支持不同层次的语义匹配。


1. 依存句法驱动的图构建

创新:

  • 首次系统性证明经典 NLP 可匹配 LLM 性能
  • 提供完整的依存句法提取管道

优势:

  • 零 API 成本
  • 可解释性强(基于语言学规则)
  • 易于调试和定制

2. 混合检索架构

创新:

  • RRF 融合图遍历和向量检索
  • 分离嵌入支持多粒度匹配

优势:

  • 结合两种方法的优点
  • 比单一方法提升 15-22%

3. 企业级应用验证

创新:

  • 首个在真实企业场景(代码迁移)验证的 GraphRAG 系统
  • 提供端到端部署方案

优势:

  • 实用性强
  • 可直接应用于生产环境

证据与结果

CCM Chat 性能

方法 Context Precision Faithfulness Answer Relevancy Semantic Alignment
Dense Vector 54.35% 62.18% 71.42% 50.80%
GraphRAG (GPT-4o) 63.82% 68.91% 75.23% 65.83%
GraphRAG (Dependency) 61.07% 66.54% 73.18% 61.87%

关键发现:

  • GraphRAG (Dependency) 达到 LLM 方法 94% 的性能 (61.87% vs 65.83%)
  • 比纯向量检索提升 11.07 个百分点 (61.87% vs 50.80%)
  • 成本大幅降低(无需 LLM API 调用进行图构建)

CCM Code Proposal 性能

方法 平均分 (1-5) 胜率 Syntax Logic Compatibility Optimization Readability
Dense Vector 3.43 21.5% 3.2 3.4 3.5 3.6 3.5
GraphRAG (GPT-4o) 4.04 77% 4.1 4.0 4.1 4.0 4.0
GraphRAG (Dependency) 4.03 78.5% 4.0 4.1 4.1 4.0 4.0

惊人发现:

  • Dependency-based 方法的胜率甚至略高于 LLM 方法 (78.5% vs 77%)
  • 在所有五个维度上表现接近或相当
  • 证明经典 NLP 技术在特定任务上可以匹配甚至超越 LLM

性能提升分析

相对提升:

任务 基线 GraphRAG (Dep) 提升幅度
CCM Chat 50.80% 61.87% +21.8%
CCM Code 3.43 4.03 +17.5%

绝对提升:

  • Context Precision: +6.72 个百分点
  • Semantic Alignment: +11.07 个百分点
  • Code Quality: +0.60 分 (1-5 量表)

定性分析

案例 1: 实体特定检索

查询: "How to handle VBBS table in migration?"

Dense Vector 检索:

  • 返回通用迁移指南
  • 未提及 VBBS 表
  • 答案不准确

GraphRAG 检索:

  • 直接检索到 VBBS 实体节点
  • 遍历相关解决方案
  • 提供具体处理方法

优势: 图结构支持精确的实体定位。

案例 2: 多实体推理

查询: "Migrate transaction VA01 screen structure"

Dense Vector:

  • 仅返回 VA01 相关文档
  • 缺少屏幕结构信息

GraphRAG:

  • 检索 VA01 实体
  • 遍历到关联的屏幕结构实体
  • 提供完整迁移方案

优势: 图遍历支持多跳关系推理。


局限与开放问题

当前局限

  1. 依存句法的局限

    • 隐式关系: 无法捕获未在句法中显式表达的关系
      • 例: "John, a doctor, treats patients" 中 "John is a doctor" 关系
    • 上下文依赖: 跨句关系难以提取
    • 复杂句式: 嵌套从句、并列结构处理不完美
  2. 领域泛化性

    • 仅在代码迁移场景验证
    • 其他领域(医疗、法律)效果未知
    • 可能需要领域特定调优
  3. 图遍历策略

    • 当前仅 1-hop 遍历
    • 复杂多跳推理能力有限
    • 未探索更高级的图算法(如 PPR)
  4. 实时更新

    • 静态图构建
    • 文档更新需要重新构建
    • 缺乏增量更新机制

未来研究方向

  1. 公开基准测试

    • 在 HotpotQA, NaturalQuestions 等数据集上评估
    • 与更多 GraphRAG 方法对比
    • 建立标准化评估协议
  2. 高级图遍历

    • 集成 Personalized PageRank (PPR)
    • 多跳推理优化
    • 社区检测与层次化检索
  3. 混合提取策略

    • 关键文档用 LLM,其他用依存句法
    • 自适应选择提取方法
    • 成本-质量动态平衡
  4. 增量图更新

    • 支持文档增删改
    • 局部图重构
    • 版本控制与回滚
  5. 多模态扩展

    • 处理图表、表格、代码
    • 多模态实体链接
    • 跨模态关系提取

关联与拓展

研究脉络定位

方法对比

维度 Practical GraphRAG Microsoft GraphRAG LightRAG LP-RAG
图构建方法 依存句法 LLM 提取 LLM 提取 轻量级提取
构建成本 极低 高 中 低
图质量 94% of LLM 100% (基准) 85-90% 70-80%
检索策略 RRF 混合 社区摘要 双层索引 链接预测
应用场景 企业级 通用 通用 资源受限

相关论文

  • GraphRAG-Microsoft — 原始 GraphRAG,LLM-based 构建
  • LightRAG — 双层图索引,效率优化
  • LP-RAG — 链接预测增强,轻量级构建
  • HippoRAG — PPR 检索,但仍依赖 NER
  • CFT-RAG — 粗到细检索,图构建方法未优化

技术借鉴

  • 依存句法提取 可应用于其他 GraphRAG 系统
  • RRF 融合策略 可改进现有混合检索方法
  • 企业级评估框架 可用于其他实用化研究

研究问题入口

Q2 图构建与表示, Q3 证据检索与集合形成, Q4 查询规划与执行, Q6 证据来源与可解释性, Q7 鲁棒性与安全

展开原始论文笔记全文

基本信息

  • 标题: Towards Practical GraphRAG: Efficient Knowledge Graph Construction and Hybrid Retrieval at Scale
  • 作者: Congmin Min, Sahil Bansal, Joyce Pan, Abbas Keshavarzi, Rhea Mathew, Amar Viswanathan Kannan
  • 发表: 2025-12-18 (arXiv v3)
  • arXiv: 2507.03226

核心问题与动机

企业级 GraphRAG 的两大挑战

  1. 知识图谱构建成本高昂

    • LLM-based 提取需要大量 API 调用
    • 处理大规模企业文档(数千页)成本不可接受
    • 构建时间长,难以快速迭代
  2. 大规模检索效率问题

    • 纯图遍历在大规模 KG 上延迟高
    • 纯向量检索缺乏关系推理能力
    • 需要平衡准确性与效率

研究目标

设计一个成本可控、性能可靠、可扩展的 GraphRAG 系统,适用于企业级部署,特别是遗留代码迁移场景。


方法论详解

1. 高效知识图谱构建

文档预处理管道

多格式支持:

  • PDF, HTML, XLSX, CSV 等企业常见格式
  • 使用 Docling 进行统一解析

层次化分块:

  • 在章节边界进行分块,保留文档结构
  • 过滤无动词短语的句子,减少噪声

基于依存句法的三元组提取

核心思想: 利用句法结构直接提取实体-关系-实体三元组,避免 LLM 调用。

算法流程 (Algorithm 1):

def extract_triples(sentence):
    # 1. 依存句法分析
    doc = spacy_parser(sentence)
    
    # 2. 识别主语-谓语-宾语
    for token in doc:
        if token.dep_ == "nsubj":  # 主语
            subject = token
            verb = token.head  # 谓语
            
            # 3. 处理被动语态
            if is_passive(verb):
                subject, object = swap(subject, find_object(verb))
            
            # 4. 短语合并
            subject_phrase = merge_noun_phrase(subject)
            verb_phrase = merge_verb_phrase(verb)
            object_phrase = merge_noun_phrase(find_object(verb))
            
            # 5. 共指消解
            subject_phrase = resolve_coreference(subject_phrase)
            object_phrase = resolve_coreference(object_phrase)
            
            # 6. 生成三元组
            yield (subject_phrase, verb_phrase, object_phrase)

示例:

  • 输入: "SAP launched Joule, an AI copilot."
  • 输出: ("SAP", "launched", "Joule")

技术细节:

  1. 被动语态处理: "Joule was launched by SAP" → ("SAP", "launched", "Joule")
  2. 短语合并: "the new AI copilot" 作为整体实体
  3. 共指消解: "it" → 前文提到的实体
  4. 线性提取启发式: 处理复杂句式的回退策略

LLM-based 提取(可选)

对于关键文档集合,提供 GPT-4o 提取选项:

  • Few-shot prompting
  • 结构化输出(JSON 格式)
  • 更高准确率,但成本显著增加

图存储与嵌入

  • 图数据库: iGraph(内存高效)
  • 嵌入模型: OpenAI text-embedding-3-large
  • 嵌入对象: 实体、文本块、关系(分离嵌入)

2. 混合图检索策略

级联检索管道

阶段 1: 查询实体识别

  • 使用 SpaCy 的名词短语提取器识别关键概念
  • 向量相似度搜索检索 top-5 相关节点作为种子

阶段 2: 图查询执行

  • 从种子节点进行 1-hop 遍历
  • 检索邻居数量:
    • 小/中型图: $k = 100$
    • 大型图: $k = 200$

阶段 3: 相关性排序

  • 文本块按余弦相似度排序
  • 关系按语义相关性排序

阶段 4: Reciprocal Rank Fusion (RRF)

融合图检索和向量检索的结果:

\text{RRF}(d) = \sum_{r \in R} \frac{1}{k + r(d)}

其中:

  • $R$: 排序列表集合(图排序 + 向量排序)
  • $r(d)$: 文档 $d$ 在排序 $r$ 中的位置
  • $k$: 常数(通常为 60)

阶段 5: 上下文整合

传递给 LLM 的上下文包括:

  • Top-k 文本块
  • Top-2k 关系三元组
  • 种子实体信息

分离嵌入的优势

嵌入类型 作用 优势
实体嵌入 实体相似度匹配 捕获概念语义
文本块嵌入 文档检索 保留上下文信息
关系嵌入 关系推理 显式建模连接

多粒度匹配: 不同嵌入空间支持不同层次的语义匹配。


实验设计

数据集: CCM (Custom Code Migration)

文档规模:

  • 550 个 PDF 文档
  • 预处理后 ~2000 个文本块

知识图谱规模:

  • 39,155 个节点(实体)
  • 47,613 条实体-实体关系
  • 63,681 条实体-文本块关系

测试集:

  1. CCM Chat (150 个 Q&A 对)

    • 问答任务
    • 评估检索质量和生成准确性
  2. CCM Code Proposal (200 个遗留代码示例)

    • 代码迁移任务
    • 评估实际应用效果

评估指标

CCM Chat 指标

  1. Semantic Alignment Score (0/0.5/1.0 量表)

    • 0: 完全不相关或错误
    • 0.5: 部分正确
    • 1.0: 完全正确
  2. RAGAS Score (综合指标)

    • Context Precision: 检索内容的精确度
    • Faithfulness: 生成答案对检索内容的忠实度
    • Answer Relevancy: 答案与问题的相关性

CCM Code Proposal 指标

LLM-as-Judge 框架,评估五个维度:

  1. Syntax Correctness: 语法正确性
  2. Logical Correctness: 逻辑正确性
  3. S/4HANA Compatibility: 目标平台兼容性
  4. Optimization: 代码优化程度
  5. Readability: 可读性

评分: 1-5 分,计算平均分和胜率。


实验结果

CCM Chat 性能

方法 Context Precision Faithfulness Answer Relevancy Semantic Alignment
Dense Vector 54.35% 62.18% 71.42% 50.80%
GraphRAG (GPT-4o) 63.82% 68.91% 75.23% 65.83%
GraphRAG (Dependency) 61.07% 66.54% 73.18% 61.87%

关键发现:

  • GraphRAG (Dependency) 达到 LLM 方法 94% 的性能 (61.87% vs 65.83%)
  • 比纯向量检索提升 11.07 个百分点 (61.87% vs 50.80%)
  • 成本大幅降低(无需 LLM API 调用进行图构建)

CCM Code Proposal 性能

方法 平均分 (1-5) 胜率 Syntax Logic Compatibility Optimization Readability
Dense Vector 3.43 21.5% 3.2 3.4 3.5 3.6 3.5
GraphRAG (GPT-4o) 4.04 77% 4.1 4.0 4.1 4.0 4.0
GraphRAG (Dependency) 4.03 78.5% 4.0 4.1 4.1 4.0 4.0

惊人发现:

  • Dependency-based 方法的胜率甚至略高于 LLM 方法 (78.5% vs 77%)
  • 在所有五个维度上表现接近或相当
  • 证明经典 NLP 技术在特定任务上可以匹配甚至超越 LLM

性能提升分析

相对提升:

任务 基线 GraphRAG (Dep) 提升幅度
CCM Chat 50.80% 61.87% +21.8%
CCM Code 3.43 4.03 +17.5%

绝对提升:

  • Context Precision: +6.72 个百分点
  • Semantic Alignment: +11.07 个百分点
  • Code Quality: +0.60 分 (1-5 量表)

定性分析

案例 1: 实体特定检索

查询: "How to handle VBBS table in migration?"

Dense Vector 检索:

  • 返回通用迁移指南
  • 未提及 VBBS 表
  • 答案不准确

GraphRAG 检索:

  • 直接检索到 VBBS 实体节点
  • 遍历相关解决方案
  • 提供具体处理方法

优势: 图结构支持精确的实体定位。

案例 2: 多实体推理

查询: "Migrate transaction VA01 screen structure"

Dense Vector:

  • 仅返回 VA01 相关文档
  • 缺少屏幕结构信息

GraphRAG:

  • 检索 VA01 实体
  • 遍历到关联的屏幕结构实体
  • 提供完整迁移方案

优势: 图遍历支持多跳关系推理。


成本效益分析

图构建成本对比

方法 API 调用次数 估算成本 构建时间
LLM-based (GPT-4o) ~50,000 $500-1000 8-12 小时
Dependency-based 0 $0 2-3 小时

成本节省: 接近 100%(仅需计算资源,无 API 费用)

检索效率

指标 Dense Vector GraphRAG
平均检索时间 120ms 180ms
准确率 50.80% 61.87%
效率-准确率比 0.42 0.34

权衡: 增加 50% 检索时间,换取 22% 准确率提升。


技术创新点

1. 依存句法驱动的图构建

创新:

  • 首次系统性证明经典 NLP 可匹配 LLM 性能
  • 提供完整的依存句法提取管道

优势:

  • 零 API 成本
  • 可解释性强(基于语言学规则)
  • 易于调试和定制

2. 混合检索架构

创新:

  • RRF 融合图遍历和向量检索
  • 分离嵌入支持多粒度匹配

优势:

  • 结合两种方法的优点
  • 比单一方法提升 15-22%

3. 企业级应用验证

创新:

  • 首个在真实企业场景(代码迁移)验证的 GraphRAG 系统
  • 提供端到端部署方案

优势:

  • 实用性强
  • 可直接应用于生产环境

局限性与未来方向

当前局限

  1. 依存句法的局限

    • 隐式关系: 无法捕获未在句法中显式表达的关系
      • 例: "John, a doctor, treats patients" 中 "John is a doctor" 关系
    • 上下文依赖: 跨句关系难以提取
    • 复杂句式: 嵌套从句、并列结构处理不完美
  2. 领域泛化性

    • 仅在代码迁移场景验证
    • 其他领域(医疗、法律)效果未知
    • 可能需要领域特定调优
  3. 图遍历策略

    • 当前仅 1-hop 遍历
    • 复杂多跳推理能力有限
    • 未探索更高级的图算法(如 PPR)
  4. 实时更新

    • 静态图构建
    • 文档更新需要重新构建
    • 缺乏增量更新机制

未来研究方向

  1. 公开基准测试

    • 在 HotpotQA, NaturalQuestions 等数据集上评估
    • 与更多 GraphRAG 方法对比
    • 建立标准化评估协议
  2. 高级图遍历

    • 集成 Personalized PageRank (PPR)
    • 多跳推理优化
    • 社区检测与层次化检索
  3. 混合提取策略

    • 关键文档用 LLM,其他用依存句法
    • 自适应选择提取方法
    • 成本-质量动态平衡
  4. 增量图更新

    • 支持文档增删改
    • 局部图重构
    • 版本控制与回滚
  5. 多模态扩展

    • 处理图表、表格、代码
    • 多模态实体链接
    • 跨模态关系提取

与本 Wiki 关联

研究脉络定位

方法对比

维度 Practical GraphRAG Microsoft GraphRAG LightRAG LP-RAG
图构建方法 依存句法 LLM 提取 LLM 提取 轻量级提取
构建成本 极低 高 中 低
图质量 94% of LLM 100% (基准) 85-90% 70-80%
检索策略 RRF 混合 社区摘要 双层索引 链接预测
应用场景 企业级 通用 通用 资源受限

相关论文

  • GraphRAG-Microsoft — 原始 GraphRAG,LLM-based 构建
  • LightRAG — 双层图索引,效率优化
  • LP-RAG — 链接预测增强,轻量级构建
  • HippoRAG — PPR 检索,但仍依赖 NER
  • CFT-RAG — 粗到细检索,图构建方法未优化

技术借鉴

  • 依存句法提取 可应用于其他 GraphRAG 系统
  • RRF 融合策略 可改进现有混合检索方法
  • 企业级评估框架 可用于其他实用化研究

研究价值

理论贡献

  1. 经典 NLP vs LLM 的实证对比

    • 证明在特定任务上,经典方法可达 94% LLM 性能
    • 挑战"LLM 万能"的假设
    • 为成本敏感应用提供理论支持
  2. 混合检索的有效性验证

    • RRF 融合图和向量检索提升 15-22%
    • 提供融合策略的最佳实践
  3. 企业级 GraphRAG 的可行性

    • 首次系统性证明 GraphRAG 可在生产环境部署
    • 提供成本-效果权衡的量化分析

实践价值

  1. 显著降低部署成本

    • 图构建成本接近零(无 API 费用)
    • 适合预算受限的企业
  2. 性能提升明显

    • 比纯向量检索提升 22%
    • 代码迁移任务胜率 78.5%
  3. 易于实施

    • 基于成熟的 NLP 工具(SpaCy)
    • 无需复杂的 LLM 调优
    • 可快速集成到现有系统
  4. 领域适应性强

    • 依存句法规则可定制
    • 支持多语言(SpaCy 支持 60+ 语言)
    • 易于扩展到新领域

实施建议

何时使用 Practical GraphRAG

适用场景:

  • ✅ 企业文档量大(数千页)
  • ✅ 预算受限,无法承受大量 LLM API 调用
  • ✅ 需要快速迭代和部署
  • ✅ 文档结构化程度高(技术文档、代码文档)
  • ✅ 需要可解释的提取过程

不适用场景:

  • ❌ 文档高度非结构化(社交媒体、口语化文本)
  • ❌ 需要深度语义理解(隐喻、讽刺)
  • ❌ 跨句复杂推理占主导
  • ❌ 预算充足,追求极致准确率

部署步骤

  1. 文档预处理

    • 使用 Docling 解析多格式文档
    • 层次化分块,保留结构
  2. 图构建

    • 运行依存句法提取管道
    • 对关键文档可选用 LLM 提取
    • 生成实体、关系、文本块嵌入
  3. 图存储

    • 使用 iGraph 或其他图数据库
    • 建立索引加速检索
  4. 检索配置

    • 调优 RRF 参数(k 值)
    • 设置 top-k 文本块和关系数量
    • 根据图规模调整遍历深度
  5. 评估与迭代

    • 在测试集上评估性能
    • 根据错误案例调整提取规则
    • 持续优化检索策略

代码与资源

  • 论文: https://arxiv.org/abs/2507.03226
  • 代码: (待发布)
  • 依赖工具:
    • SpaCy: https://spacy.io/
    • Docling: https://github.com/DS4SD/docling
    • iGraph: https://igraph.org/

引用

@article{min2025practical,
  title={Towards Practical GraphRAG: Efficient Knowledge Graph Construction and Hybrid Retrieval at Scale},
  author={Min, Congmin and Bansal, Sahil and Pan, Joyce and Keshavarzi, Abbas and Mathew, Rhea and Kannan, Amar Viswanathan},
  journal={arXiv preprint arXiv:2507.03226},
  year={2025}
}

Created: 2026-04-20
Last Updated: 2026-04-20
Source: https://arxiv.org/abs/2507.03226