基准
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
时间轴 (近 90 天)
9月17日
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
待验证50%
9月17日
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
待验证50%
9月17日
GraphEcho 同时评估智能体的判断结论和主动探索行为两个层面
待验证50%
9月17日
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
待验证50%
9月17日
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
待验证50%
9月17日
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
待验证50%
9月17日
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
待验证50%
9月17日
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
待验证50%
全部知识事实 (8)
待验证
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%待验证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
50%待验证GraphEcho 同时评估智能体的判断结论和主动探索行为两个层面
50%待验证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%待验证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%待验证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%待验证高效探索（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%待验证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
50%