Naukowcy zaproponowali AgentKGV - system do automatycznej weryfikacji faktów w grafach wiedzy, które są konstruowane z ogromnych zbiorów tekstowych i zawierają błędy z powodu niedoskonałych źródeł i problemów przy ekstrakcji danych. Problem weryfikacji takich grafów na skalę przemysłową pozostawał krytycznym wyzwaniem w przetwarzaniu wiedzy.
Framework AgentKGV integruje dynamiczny routing i iteracyjne przepisywanie zapytań, co rozwiązuje problem niedopasowania form surface-level w wyszukiwaniu na poziomie dokumentów. Kluczową innowacją jest dwuetapowa strategia treningu: najpierw turn-level distillation-based supervised fine-tuning (SFT) przenosi zdolności reasoning z dużego modelu nauczyciela do mniejszego modelu, zapewniając stabilne przepisywanie zapytań. Następnie trajectory-level GRPO optymalizuje politykę wyszukiwania, zmniejszając niepotrzebne zapytania na dużej skali.
Wyniki na long-tail-predicate splicie benchmarku T-REx pokazują, że system poprawia macro-F1 o 5,5 punktu procentowego wobec jednoobrotu RAG, a dwuetapowy trening dodaje kolejne 9,4 punktu. Dodatkowo GRPO zmniejsza średnią liczbę zapytań wyszukiwania z 3,24 do 1,63 bez spadku dokładności, co jest kluczowe dla praktycznego wdrażania w produkcji.