统计日期 2026-10-22·本期 2 篇·问题与新思路速读
统计范围：北京时间 2026-10-22 00:00–24:00首次提交、截至检索时已公开并被 arXiv 编目的匹配论文。完整取得 2 篇候选，本期收录 2 篇。
阅读依据：论文标题、摘要与可核对元数据。下文是摘要速读，未逐篇全文审阅或独立复现。
昨日研究概览
本组研究聚焦大模型对长程、关联密集上下文的利用瓶颈：知识图谱化检索容易丢失叙事语义，结构化证据又与语言模型的连续文本接口不匹配；长上下文强化学习则受制于可验证训练数据稀缺。两项工作分别以语义拓扑组织与能量路径线性化，以及自生成任务再扩展长文档的机制，探索在保留上下文的同时组织证据、构造训练信号。
逐篇看：问题与新思路
01. 语义拓扑与能量路径驱动的图谱增强检索
要解决的问题： 在知识图谱辅助多跳问答中，将连续文本离散为图符号会损失语境与叙事连贯性；碎片化图结构也难以直接适配以连续文本预训练的大语言模型，而改写为自然语言还可能引入生成噪声并遗漏信息。
新颖的想法： ThreadRAG先用语义拓扑映射器把检索文档组织为保留上下文的语义节点，再按叙事、语义和词法关系建图；随后通过能量扩散找出查询相关子图，并确定性地线性化为连贯文本证据路径，以兼顾结构化推理与语言模型原生接口。
02. 零外部数据的长上下文强化学习
原文：LongZero: Enhancing Long-Context Reasoning in LLMs from Zero Data
要解决的问题： 长上下文推理强化学习需要长、多样、困难且可验证的数据，但人工标注昂贵、自然数据稀缺，依赖外部语料或更强教师模型的合成方法又不易持续；既有从零数据方法主要面向短上下文任务。
新颖的想法： LongZero让模型先以紧凑结构自行生成问题、答案及支撑证据，再把证据扩展成长篇多文档上下文；同时构造自生成的多跳推理与多轮检索任务，并用GRPO训练，以摆脱外部语料和教师模型，提供长上下文能力的自我改进路径。
入选线索： 作者机构原文包含：Tsinghua University；摘要或评论提供代码、模型或数据链接线索
来源、筛选与阅读边界
Top 10 是可解释的阅读优先级，不是公认学术权威排名。排序参考作者标注的发表/录用信息、作者区的机构原文、研究发布和开源线索，再结合方向与方法贡献线索；未提供的依据不从作者姓名或模型常识推断。arXiv 元数据中的录用信息仍是作者标注，不等于本站独立核实了会议录用。
同一论文可以属于多个研究方向；每个方向内部按基础论文 ID 去重，版本更新不另算新论文。候选按首次提交时间筛选，不把旧论文的新版本当作昨天新论文。超过十篇时筛选十篇，不足十篇按实际数量收录。
检索截至：2026.10.23 08:16（北京时间）。本方向共 2 篇候选，本期收录 2 篇。
查询记录：第 1 页。
本文由 AI 研究助手整理并进行来源审校。新颖性为作者的贡献主张，摘要可能省略关键条件；涉及采用、复现或投资决策时，请继续阅读原文。arXiv 收录不代表已经通过同行评审。
有 AI 项目想法？一起聊聊。
欢迎交流实践、寻找伙伴，或聊聊你的项目需求。
