Resumen: El razonamiento de múltiples saltos para la respuesta a preguntas (QA) desempeña un papel fundamental en la generación de recuperación aumentada (RAG) para modelos de lenguajes grandes (LLM) modernos. La respuesta precisa se puede obtener recuperando la estructura relacional de entidades del gráfico de conocimiento (KG). Con respecto a la relación inherente, la dependencia y el patrón de razonamiento, el razonamiento de múltiples saltos se puede clasificar en general en dos categorías: i) pregunta de razonamiento de múltiples saltos con verificación de hechos paralela, es decir, que requiere verificaciones simultáneas de múltiples subpreguntas independientes; y ii) preguntas de razonamiento de múltiples saltos encadenadas, es decir, que exigen una inferencia secuencial de múltiples pasos con conclusiones intermedias que sirven como premisas esenciales para el razonamiento posterior. Actualmente, los enfoques de razonamiento de múltiples saltos emplean individualmente una de dos técnicas: verificación de hechos basada en respuestas LLM y construcción de cadenas basada en rutas KG. Sin embargo, el primero sobresale en la verificación de hechos en paralelo pero tiene un rendimiento inferior en tareas de razonamiento encadenado, mientras que el segundo demuestra competencia en el razonamiento encadenado de múltiples saltos pero sufre de recuperación de rutas redundantes cuando maneja el razonamiento de verificación de hechos en paralelo. Estas limitaciones deterioran la eficiencia y precisión de las tareas de control de calidad de múltiples saltos. Para abordar este desafío, proponemos un novedoso marco de razonamiento y verificación de KG de doble vía, DTKG, que está inspirado en la teoría del proceso dual en la ciencia cognitiva. En concreto, DTKG comprende dos etapas principales: la Etapa de Clasificación y la Etapa de Tramitación de Sucursales.
Publicado originalmente en export.arxiv.org el 20 de octubre de 2025.
Ver fuente original
