論文（MIRAGE: Scaling Test-Time Inference with Parallel Graph-Retrieval-Augmented Reasoning Chains）介紹了一個Test-Time(后面使用“測試時”來翻譯)推理框架，將單一線性鏈替換為多個并行的、基于實體的醫學知識圖譜鏈。MIRAGE將查詢分解為子問題，在錨點和橋接模式下運行自適應圖檢索，然后通過跨鏈驗證來協調答案，相比線性ToT或以網絡為中心的代理RAG，能獲得更高的準確性和更清晰的來源追溯?；趫D的檢索在處理復雜數據的眾多應用中都很有用

圖片

新穎之處：在結構化知識圖譜上進行并行多鏈推理，而不僅僅是更長的單鏈。兩種檢索模式：錨點（單實體鄰域）和橋接（實體對之間的多跳路徑）。合成器驗證跨鏈一致性并在輸出簡潔最終答案前標準化醫學術語。

圖片

意義 ：線性鏈會累積早期錯誤并將證據視為平面文本?；趫D的檢索保持關系和層次結構，支持精確的多跳醫學推理和可追溯路徑。

效果： 在三個醫學問答基準測試中達到最先進水平。在ExplainCPE上，MIRAGE達到84.8%的準確率和最佳GPT-4o排名；在GenMedGPT-5k和CMCQA上也有類似提升。當替換為DeepSeek-R1-32B作為骨干模型時，魯棒性依然保持。GenMedGPT-5k上的人類評估也更偏好MIRAGE。

圖片

洞察： 更多子問題有幫助，直到過度分解增加噪音為止，而允許更多檢索步驟顯示出遞減但穩定的收益。調整子問題上限和檢索預算是關鍵。

圖片

可解釋性：每個聲明都可以追溯到明確的知識圖譜鏈，具有分解、查詢和合成的審計記錄。案例研究對比了MIRAGE的解耦鏈與單鏈網絡搜索方法，朝著連貫診斷的方向解決問題。

本文轉載自??????????AI帝國??????????，作者：無影寺