六种训练策略横评：LLM 图推理能否泛化到更大更陌生的图
burkov · x · 2026-10-14
- 文章系统比较 LLM 在图+文本任务上的训练策略，核心问题是：训练能否让模型在图变大或结构变化时仍可靠推理——这直接影响把图结构转成文本 prompt 的效率与可靠性。
- 用合成有向图评测 6 种方法：监督微调、prompt tuning、两种强化学习变体、图编码器 token（单独用或与图文本并用）。
- 训练任务为 4 个基础任务：节点计数、求节点度数、两种可达性判断，图规模 5–20 节点；评测则扩展到更大的图、未见过的图结构，以及未训练过的相关任务，检验泛化能力。
「研究」频道最新
- Tufts 与圣塔菲研究所新论文:把 LLM 传播建模为「认知病毒」 — alex_verem · 2026-10-14
- LLM 是「认知病毒」:阈值 0.50 触发群体依赖跃迁,撤回须降到 0.40 以下 — alex_verem · 2026-10-14
- 三年打磨后 PyVBBC 1.5 发布，贝叶斯模型推断工具大幅升级 — twiecki · 2026-10-14
- ServiceNow 与麦吉尔发布 AgentHorizon：1373 项任务考 AI 裁判 — rohanpaul_ai · 2026-10-14
- AgentHorizon 基准：AI 评委审长程任务仍漏掉 20% 细微错误 — rohanpaul_ai · 2026-10-14
- 剑桥教授斯德哥尔摩癌症大会演讲:AI 改写肿瘤诊疗三方向 — MihaelaVDS · 2026-10-14