ИССЛЕДОВАНИЕ · RESEARCH · #2170
Исследование: выбор сериализации графа существенно влияет на структурное рассуждение LLM
Статья (arXiv:2610.22734v1) сравнивает 15 форматов сериализации графов на девяти современных конфигурациях LLM для задач извлечения знаний из онтологий и структурного рассуждения над графами. Выяснено, что извлечение знаний мало чувствительно к формату, тогда как точность структурного рассуждения сильно зависит от сериализации, причём оптимальный формат меняется в зависимости от модели, запроса и задачи; авторы предлагают подход с динамической оркестрацией форматов.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- Статья (arXiv:2610.22734v1) сравнивает 15 форматов сериализации графов на девяти современных конфигурациях LLM для задач извлечения знаний из онтологий и структурного рассуждения над графами.
- Выяснено, что извлечение знаний мало чувствительно к формату, тогда как точность структурного рассуждения сильно зависит от сериализации, причём оптимальный формат меняется в зависимости от модели, запроса и задачи; авторы предлагают подход с динамической оркестрацией форматов.
- Это важно, потому что показывает, что текстовое представление графов знаний существенно влияет на качество рассуждений LLM и что системы должны выбирать или адаптировать формат под конкретную модель и задачу.
ПОЧЕМУ ЭТО ВАЖНО
Это важно, потому что показывает, что текстовое представление графов знаний существенно влияет на качество рассуждений LLM и что системы должны выбирать или адаптировать формат под конкретную модель и задачу.