Benchmark
GraphEcho
专门用于评估LLM图智能体证据冗余问题的基准测试，通过控制路径数量和证据来源两个维度，量化智能体对路径重复与证据实质内容的响应差异
Timeline (last 90 days)
Sep 17
GraphEcho 是 arXiv 上一篇论文提出的基准测试，用于检验图智能体是否会把重复出现的信息误认为额外的印证
Unverified50%
Sep 17
GraphEcho 在保持证据内容固定不变的前提下，系统性地改变路径数量和证据来源两个维度
Unverified50%
Sep 17
GraphEcho 同时评估智能体的判断结论和主动探索行为两个层面
Unverified50%
Sep 17
受控合成实验发现智能体在判断层面的偏移是模型依赖的，没有统一规律
Unverified50%
Sep 17
冗余的支持性路径会增加所有被评估的冻结智能体重复行走的比例
Unverified50%
Sep 17
论文提出了来源感知的后训练方法（PAPT），让智能体在训练中意识到证据的来源属性
Unverified50%
Sep 17
高效探索（减少重复路径）与有效证据利用之间存在鸿沟，减少重复不等于用好证据
Unverified50%
Sep 17
RAG 系统在检索到实质上来自同一信源的多个文档时，同样会面临GraphEcho所揭示的回声问题
Unverified50%
All Facts (8)
Unverified
GraphEcho 是 arXiv 上一篇论文提出的基准测试，用于检验图智能体是否会把重复出现的信息误认为额外的印证
50%UnverifiedGraphEcho 在保持证据内容固定不变的前提下，系统性地改变路径数量和证据来源两个维度
50%UnverifiedGraphEcho 同时评估智能体的判断结论和主动探索行为两个层面
50%Unverified受控合成实验发现智能体在判断层面的偏移是模型依赖的，没有统一规律
50%Unverified冗余的支持性路径会增加所有被评估的冻结智能体重复行走的比例
50%Unverified论文提出了来源感知的后训练方法（PAPT），让智能体在训练中意识到证据的来源属性
50%Unverified高效探索（减少重复路径）与有效证据利用之间存在鸿沟，减少重复不等于用好证据
50%UnverifiedRAG 系统在检索到实质上来自同一信源的多个文档时，同样会面临GraphEcho所揭示的回声问题
50%