标签
AutoFlow讨论了AI信任的关键挑战，提出了外部验证方法，如知识图谱和数学一致性检查，并宣布加入NVIDIA Inception计划，以推进可信AI系统的研究。
本文正式提出了基础模型与知识图谱之间的“阻抗不匹配”概念，并利用结构化残差流、向量符号架构和正交子空间编辑，提出了一种神经符号融合的理论路线图。
本综述回顾了知识图谱在医学中五个关键领域——临床决策支持、疾病预测、健康推荐系统、精准医学和医学问答——中的应用，讨论了挑战与未来方向。
文章认为，知识图谱与向量数据库在企业AI中服务于不同目的，应结合使用而非相互替代。它推荐采用混合架构或像60x这样的托管解决方案，以同时处理语义检索和结构推理。
作者描述使用基于Qwen模型构建的知识图谱提取器来生成具有挑战性的多跳问答对，用于评估智能体搜索系统。
HelixDB 是一个用 Rust 构建的图-向量数据库，专为知识图谱和 AI 记忆设计，提供统一平台支持图、向量、键值、文档和关系型数据模型，并配有便于本地和云端部署的工具。
Traxia提出了一种可验证、智能体原生的科学出版框架，其中自主AI智能体可以发表论文、进行同行评审并与人类协作，解决了可重复性和溯源问题。
清华大学NLP实验室在GitHub上开源了269个项目，涵盖大模型训练、知识图谱、Prompt学习、参数微调等方向，包括OpenPrompt、OpenNRE、OpenKE、UltraChat、OpenDelta等知名项目，适合AI研究和应用开发者。
PIPE-Cypher是一个管道，能够从实时属性图和种子查询中自动生成平衡的自然语言到Cypher基准，利用模式分析、反向查询接地和本地LLM评判等技术，创建具有区分性且与部署相关的基准。
本文介绍了面向心理学摘要的变量中心实证图提取方法，构建了包含210篇已标注摘要的EmpiriGraph-Psy基准数据集，并提出了分阶段LLM流水线，其宏F1值达到0.74，优于直接提取方法。
一位作者创建了一个零网络存在感的新虚构身份，发现尽管防火墙阻止所有AI爬虫访问网站，AI模型仍在6天内正确引用了该身份，揭示了AI是通过知识图谱和第三方提及而非直接爬取来拼凑信息的。
QO-Bench 是一个针对类型化事件元组上查询算子问答的诊断性基准测试，涵盖 22,984 篇新闻文章和 614 个企业事件，涉及 18 种查询模板。该基准对 RAG、ReAct RAG、GraphRAG 以及抽取转 SQL 系统进行评估，发现算子执行——而非仅仅是检索——才是核心瓶颈，单纯使用更强的模型并不能解决这一问题。
CYGNET 是一个预执行网关系统，用于验证和修正 LLM 智能体在知识图谱上生成的 Cypher 查询，在查询到达生产数据库之前捕获结构性错误，误报率接近于零，并在五个语言模型上实现了 81–95% 的破损查询修复成功率。
本文提出了SGR框架，通过查询相关的子图生成将外部知识图谱与大语言模型相结合，融合基于Cypher的推理与协同推理集成，从而增强大语言模型的逐步推理能力。在CWQ、WebQSP、GrailQA和KQA Pro上的实验表明，该框架相比标准提示方法和知识增强基线具有更高的推理准确性。
本文介绍了Grokers，一种对类型化知识图谱进行自底向上归纳理解的架构，它将智能推向写入时，消除了查询时的LM调用，并证明了关于字节同一性、累积单调性和双遍历顺序的三个形式化定理。
HypoAgent是一种面向知识图谱的交互式溯因假设生成的智能体框架，集成了三个智能体以处理不断变化的用户意图和细粒度诊断，实现了最先进的性能。
作者分享了在使用知识图谱和本体论为AI智能体构建统一记忆层时犯下的五个错误，强调智能体记忆是数据建模问题而非检索问题。
Helicase是一个自主多Agent LLM系统，通过不确定性引导构建供应链知识图谱。它将复杂查询分解为可执行计划，并在新的SCQA基准上优于基线方法。
Understand Anything 是一款AI驱动的工具，能从代码库生成交互式知识图谱，展示结构、依赖关系和业务逻辑，帮助开发者理解代码。
本文为超关系知识图谱提出了一项新任务——事实生成，并提出了KREPE，一种基于掩码离散扩散的生成式表示学习方法，该方法统一了链接预测与事实生成，达到了最先进的性能。