Article · IA & agents
Ancrer le raisonnement latent d'un agent dans le schéma de ses données
SALR retarde les choix explicites d'une requête tout en guidant les états latents par les éléments du schéma d'une base de connaissances.
Le risque des engagements trop précoces
Pour répondre à une question sur une base de connaissances, un modèle doit choisir des relations et des classes, puis les composer en une forme logique exécutable. Guangze Gao, Zixuan Li, Sikui Zhang, Chunfeng Yuan, Wenjuan Li, Bing Li, Xiaolong Jin et Weiming Hu décrivent le risque d'une décision discrète prise trop tôt : une mauvaise relation intermédiaire peut contaminer toute la requête.
Schema-Anchored Latent Reasoning
SALR effectue plusieurs étapes de raisonnement dans les états cachés du modèle au lieu d'émettre immédiatement une chaîne de raisonnement textuelle. Ces états sont alignés avec un codebook d'éléments de schéma, à partir de traces dérivées des formes logiques correctes. Les codes de schéma servent ensuite de rétroaction pour guider les étapes suivantes et la génération de la forme logique.
Le dispositif cherche donc un compromis : conserver une computation latente continue, mais la relier à des objets vérifiables de la base. Une information de schéma aléatoire dégrade les résultats dans les interventions rapportées, ce qui soutient l'idée que l'ancrage n'est pas un simple décor.
Résultats rapportés
Sur GrailQA et WebQSP, le résumé rapporte des gains réguliers par rapport à des baselines fortes. Sur les questions compositionnelles de GrailQA, SALR dépasse TIARA de 2,86 points de F1. Les auteurs rapportent aussi que l'information de schéma reste récupérable depuis les états latents.
Interprétation éditoriale : relier le raisonnement à une structure contrôlée
Dans un pipeline RAG ou agentique, le raisonnement utile n'a pas besoin d'être une longue explication libre. Il doit surtout rester relié aux relations, permissions et preuves réellement disponibles. Un agent peut conserver des états internes, mais le résultat exécutable doit être validé contre le schéma et les données récupérées.
Cette séparation rend également les erreurs plus lisibles : mauvais élément de schéma, composition invalide ou preuve absente ne sont pas le même défaut. Elle évite de donner à une réponse fluide le statut d'une requête correctement fondée.
Limites et statut de la source
Les évaluations portent sur GrailQA et WebQSP et sur les architectures étudiées. Les traces de schéma dérivées des formes logiques d'entraînement ne sont pas disponibles dans tous les environnements. Le document est un preprint ArXiv ; les gains ne constituent pas une garantie pour une base métier.
Source
Guangze Gao, Zixuan Li, Sikui Zhang, Chunfeng Yuan, Wenjuan Li, Bing Li, Xiaolong Jin et Weiming Hu, « Schema-Anchored Latent Reasoning for Semantic Parsing-Based Knowledge Base Question Answering », ArXiv 2609.20398v1 : résumé et preprint, PDF.