MMKG-RDS：基于多模态知识图谱的推理数据合成
人工智能
2026-03-02 v1
摘要
合成高质量的训练数据对于增强领域模型的推理能力至关重要。现有方法在长尾知识覆盖、有效性验证和可解释性方面存在不足。基于知识图谱的方法在功能性、细粒度、可定制性和评估方面仍有不足。为此，我们提出了MMKG-RDS，一个灵活的推理数据合成框架，利用多模态知识图谱。它支持细粒度知识提取、可定制的路径采样和多维数据质量评分。我们通过MMKG-RDS-Bench数据集进行了MMKG-RDS的验证，覆盖五个领域、17种任务类型和14,950个样本。实验结果表明，在少量合成样本上微调Qwen3模型（0.6B/8B/32B）可将推理准确率提高9.2%。该框架还生成具有挑战性的数据，针对包含表格和公式的任务，对于复杂基准构建具有参考价值。数据集和代码已发布于 https://github.com/360AILAB-NLP/MMKG-RDS。
引用
@article{arxiv.2602.23632,
title = {MMKG-RDS: Reasoning Data Synthesis via Deep Mining of Multimodal Knowledge Graphs},
author = {Lun Zhan and Feng Xiong and Huanyong Liu and Feng Zhang and Yuhui Yin},
journal= {arXiv preprint arXiv:2602.23632},
year = {2026}
}