GraphEcho：LLM 图形代理中的结构冗余和证据来源

摘要

arXiv:2609.17695v1 Announce Type: new Abstract: A large language model (LLM) agent can follow more graph paths without acquiring more independent evidence. GraphEcho tests whether agents mistake these...

and evidence agents while exploration model agent can more graph

2026-09-17 1 阅读约1分钟阅读 Sikun Wang, Yixi Zhou, Lei Fan, Fan Zhang

arXiv:2609.17695v1 公告类型：新摘要：大型语言模型（LLM）代理可以遵循更多的图路径，而无需获取更多的独立证据。 GraphEcho 测试代理是否将这些重复的遭遇误认为是额外的佐证。该基准改变路径计数和证据来源，同时保持证据内容固定，并评估判断和主动探索。受控的综合实验揭示了依赖于模型的判断转移，但冗余的支持路径增加了所有评估的冻结代理中重复行走的份额。来源感知后训练 (PAPT) 减少了重访并提高了合成准确性，但涵盖的不同来源较少。在科学主张上，它继续减少重复，但准确性却下降。这些发现揭示了有效探索和有效证据使用之间的差距：智能体可以学会停止重复自己，同时忽略它需要的信息。 GraphEcho 提供了一种受控方法来评估图代理得出的结论以及他们的探索是否达到了不同的证据来源。

订阅66必读