AgentKGV：两阶段训练提升知识图谱事实验证效率

知识图谱常因数据源噪声和提取错误包含事实性偏差，大规模自动化验证面临挑战。近日arXiv发布的研究提出AgentKGV框架，将大语言模型与检索增强生成技术结合，通过动态路由机制和迭代式查询改写，有效应对文档检索中的表述差异问题。为提升工业部署的准确性与成本效益，团队设计两阶段训练方案：第一阶段采用回合级蒸馏微调，将大模型推理能力迁移至小模型；第二阶段通过轨迹级策略优化减少冗余检索。在T-REx开放域基准测试中，该框架在长尾谓词场景下比单轮检索增强生成提升宏观F1值5.5个百分点，两阶段训练进一步带来9.4个百分点增益。优化后的搜索策略将平均检索调用次数从3.24降至1.63，且未影响准确率。该研究为知识图谱质量验证提供了可扩展的解决方案。