按实体存 LoRA 可存知识，但语义相似度检索近乎随机。
资讯摘要
论文提出将知识图谱离线编译为按实体划分的 LoRA 适配器库，以注入权重而非文本的方式查询，查询时无需占用上下文 token。在 MetaQA 上，子图训练的适配器能编码可泛化到未见问题的无上下文事实知识，单值关系上精确匹配较基模型提升 0.243；但无子图时，基于嵌入和权重几何的检索均接近随机，说明知识局部存储、不随语义邻近迁移。作者据此把按语义相似度之外机制选择与组合适配器列为核心开放问题。
要点速读
- 论文将知识图谱离线编译为每实体一个 LoRA 适配器，查询时注入权重，零查询时上下文成本。
- MetaQA 上单值关系精确匹配较基模型提升 0.243，且仅正确适配器能恢复知识，oracle 差距 +0.283。
- 无子图查询时嵌入检索与权重空间几何检索均接近随机；权重几何与子图语义相关（ρ=+0.329）但不代表可检索性。
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 2026/10/31 08:00:18（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。