基于知识图谱的多跳问题回答面临着一个关键的挑战：传统的检索-然后-读取管道会破坏可微性，阻止检索器学习以弥合中间节点与查询缺乏词汇重叠的语义差距。为了解决这个问题，我们提出了RSF-GLLM ，这是一个将可微分图推理与答案生成分离的框架。我们的Recurre

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2607.06527v1)获取最准确的信息。

---
🔗 **原文链接**: [RSF-GLLM: Bridging the Semantic Gap in Multi-Hop Knowledge G](https://arxiv.org/abs/2607.06527v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Sambaran Bandyopadhyay, Ananth Muppidi

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-07-08 14:02