Resumen: Los modelos de lenguaje grande (LLM) enfrentan limitaciones significativas cuando se aplican a gráficos a gran escala, luchando con restricciones de contexto y razonamiento inflexible. Presentamos GraphChain, un marco que permite a los LLM analizar gráficos complejos a través de secuencias dinámicas de herramientas especializadas, imitando la inteligencia exploratoria humana. Nuestro enfoque introduce dos innovaciones clave: (1) Destilación progresiva de gráficos, un mecanismo de aprendizaje por refuerzo que genera secuencias de herramientas optimizadas que equilibran la relevancia de la tarea con la compresión de información, y (2) Adaptación del tiempo de prueba consciente de la estructura, que adapta de manera eficiente las estrategias de selección de herramientas a diversas topologías de gráficos utilizando propiedades espectrales y adaptadores livianos sin un costoso reentrenamiento. Los experimentos muestran que GraphChain supera significativamente a los métodos anteriores, lo que permite un análisis de gráficos escalable y adaptable basado en LLM.
Publicado originalmente en export.arxiv.org el 4 de noviembre de 2025.
Ver fuente original
