知识图谱驱动的神经科学专家级推理

本文探索仅基于单一权威教科书构建的知识图谱（KG），能否在神经科学领域涌现出深度推理能力。研究假设表明，将结构化知识提炼为高质量 KG 并转化为基于 KG 的问答监督信号，足以通过微调语言模型实现超越大型语言模型的专家级推理精度，且参数量显著减少。方法包括双 LLM 验证构建 KG、利用掩码语言模型扩展拓扑、生成多跳问答及推理轨迹进行微调，并结合强化学习优化。结果证明，无需大规模网络语料即可诱导模型获得深层机制性理解。