知识图谱加持：小语言模型推理能力提升新路径

虽然大语言模型在零样本推理任务中表现出色，但其部署成本高、能耗大的问题限制了实际应用。相比之下，小语言模型虽具可持续性优势，但在需要复杂多跳逻辑推理的任务中容易出错。最新研究提出了一种创新的神经符号智能体框架，通过知识图谱工具增强小语言模型的推理能力。

该研究以Gemma 3（1B、4B参数）和Llama 3.2（3B参数）为实验对象，在CLUTRR亲属关系推理基准上进行测试。框架将小语言模型转化为简约智能体，配备两个专用工具：extract_facts用于提取符号化三元组事实，get_hint则通过关系图卷积网络提供专家级推理提示。

研究设置了两种实验场景：在Oracle场景中使用真实三元组，在Realistic场景中依赖模型自行提取的知识。结果显示，虽然RGCN提供的提示使性能比仅使用故事的基线提升1.5-2倍，但系统仍受限于提取瓶颈和顺序推理的脆弱性——早期提取错误会在多跳推理链中不断累积。

有趣的是，研究还发现特定架构中存在“干扰效应”：即使有专家提示，模型自行生成的噪声事实仍会降低性能。这项工作揭示了低资源智能体系统中符号接地的挑战，为神经符号智能体流水线中的迭代验证提供了技术路线图。