论文发现近期LLM在KG-to-text上接近微调模型且图依据错误更少。
资讯摘要
论文对近期大语言模型与微调编码器-解码器模型在知识图谱到文本生成任务上进行基准对比，采用基于参考的指标和经人工标注验证的、以图为依据的无参考LLM评估。作者报告，近期LLM在基于参考的指标上明显缩小了与微调模型的差距，部分设置下已追平，而在以图为依据的指标上表现更好；两类评估相关性有限。以图为依据的评估显示，提示模型产生的矛盾与三元组遗漏少于微调模型，且微调模型的此类错误随图规模增长更快。
要点速读
- 论文对比近期LLM与微调编码器-解码器模型在标准基准上的KG-to-text生成表现。
- 作者报告LLM在基于参考的指标上缩小甚至部分追平差距，在以图为依据的指标上更优。
- 以图为依据的评估显示提示模型矛盾与三元组遗漏更少，微调模型错误随图规模增长更快。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。