Resumen: La inteligencia artificial personal se ve actualmente obstaculizada por la fragmentación de los datos de los usuarios en silos aislados. Si bien la generación aumentada de recuperación ofrece un remedio parcial, su dependencia de la similitud de vectores no estructurados no logra capturar la topología semántica latente y las dependencias temporales esenciales para la comprensión holística. Presentamos EpisTwin, un marco neurosimbólico que fundamenta el razonamiento generativo en un gráfico de conocimiento personal verificable y centrado en el usuario. EpisTwin aprovecha los modelos de lenguaje multimodal para convertir datos heterogéneos de aplicaciones cruzadas en triples semánticos. En la inferencia, EpisTwin permite un razonamiento complejo sobre el gráfico semántico personal a través de un coordinador agente que combina la generación aumentada de recuperación de gráficos con un refinamiento visual profundo en línea, restableciendo dinámicamente las entidades simbólicas en su contexto visual crudo. También presentamos PersonalQA-71-100, un punto de referencia sintético diseñado para simular la huella digital de un usuario realista y evaluar el rendimiento de EpisTwin. Nuestro marco demuestra resultados sólidos en un conjunto de modelos de jueces de última generación, lo que ofrece una dirección prometedora para una IA personal confiable.
Publicado originalmente en export.arxiv.org el 8 de marzo de 2026.
Ver fuente original
