通过知识图谱 grounding 增强小型语言模型的推理能力

尽管大语言模型在零样本推理上表现优异，但部署成本高。小型语言模型（SLM）虽具可持续性，却在复杂多跳逻辑任务中易出错。本文提出一种神经符号代理框架，利用专门工具调用（事实提取与基于关系图卷积网络的专家提示）来增强 SLM 的推理能力。实验表明，该方法显著提升了性能，但也揭示了提取瓶颈及错误累积导致的 Sequential Deductive Fragility 问题，并发现了噪声事实引发的“干扰效应”。