SGUR：以结构化推理替代模型规模扩张

SGUR 用结构化推理让小模型在医学诊断基准上比肩大模型。

资讯摘要

论文提出免训练框架 Structure-Grounded Uncertainty Reduction（SGUR），将不完整观测表示为查询图，通过先验加权部分图匹配与候选假设图对齐，并用主动信息增益策略迭代选择下一个查询节点以剪枝候选空间。作者在 PrimeKG 衍生的序贯医学诊断基准上报告：仅从两个已观测症状出发，SGUR 达到 92.5% Hit@3，比最强 Graph-RAG 基线高 9.4 个百分点，且 token 用量约少 5 倍；较小骨干模型可匹配或超过大至 10 倍的模型。

要点速读

1. SGUR 为免训练框架，用查询图与候选假设图的部分图匹配进行结构化对齐，数据库经验先验为决策相关关系加权。
2. 主动信息增益策略迭代选择信息量最大的节点查询，逐步剪枝候选假设空间。
3. 在 PrimeKG 衍生的序贯医学诊断基准上，作者报告 92.5% Hit@3，较最强 Graph-RAG 基线高 9.4 个百分点，token 用量约少 5 倍。

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。