MMKG-RDS：基于多模态知识图谱深度挖掘的推理数据合成

合成高质量训练数据对提升领域模型的推理能力至关重要。现有方法在长尾知识覆盖、有效性验证及可解释性方面存在局限，而基于知识图谱的方法在功能、粒度及定制化上仍显不足。为此，本文提出 MMKG-RDS，一种利用多模态知识图谱进行推理数据合成的灵活框架。该框架支持细粒度知识提取、自定义路径采样及多维数据质量评分。通过在涵盖五个领域、十七种任务类型的 MMKG-RDS-Bench 数据集上的验证，实验表明仅需少量合成样本微调 Qwen3 模型，即可将推理准确率提升 9.2%。此外，该框架生成的独特数据能有效挑战现有模型在处理表格与公式任务上的表现，适用于复杂基准构建。