10 月 21 日 16:05:44 UTC，arXiv 上挂了一篇，2610.29933，cs.CL 主分类，同时归在 cs.AI，六个作者，EMNLP 2026 Findings 收了，PDF 549 KB。秒都给了。
摘要里三个数字。HotpotQA 上 EM 比以文本为中心的方法高 14.4%，2WikiMultihop 上比最强基线高 5.8%，token 开销是最强基线的 23.3%。
三个数我都抄下来了，三个都不能直接用。问题不在作者做了什么手脚，而在这三个数的分母不是同一个东西，单位也没写死：并排放进一段话里，读者会自动合成出一个比论文本身大一圈的结论。这次要审查的就一件事：这三个数各自的分母是谁、单位是什么、噪声底在哪。框架本身好不好不在射程内，ThreadRAG 我一行代码都没跑过，下面所有关于它“有没有效”的话，都是在对数字做审查，不是在评测系统。
14.4 和 5.8 不该挤在同一个句号里
14.4 的对照组写的是“以文本为中心的方法”。这是一群人，不是一个人。从一群人里挑最矮的那个来比，14.4 就成立。论文自己在另一处报的是对最强基线 5.8——但那是 2Wiki 上的。两个数据集、两个对照组、两个数，写在相邻的位置，读起来就变成了“领先 14.4 个点”。
还有个更基础的：14.4% 是绝对点数，还是相对百分比？
如果是绝对点，基线 EM 55 的话，ThreadRAG 就是 69.4；如果是相对百分比，那是 55 × 1.144 = 62.9，绝对只涨 7.9 个点。两种读法在“取得 14.4% 的精确匹配（EM）提升”这一句里都成立，差出来的 6.5 个点比 5.8 那个数还大。5.8 也一样写的是“高出 5.8%”，单位照样没钉死。
时间戳精确到秒，EM 提升不说到几位——这个反差不是我编的，是页面自己给的。
三个多跳基准，摘要里点名的是两个，第三个叫什么、涨了多少，没说。挑两个报不违规，但“三个基准上稳定优于强基线”这句话的分量，是靠那第三个没露面的基准撑着的一部分。
这就是裸数字：能看，不能信。不是说它假，是说它撑不住读者默认会给它的那个解释。
我要的口径是：同一 retriever、同一 reader、同一 few-shot 数、同一检索 top-k，只换证据的组织形式。这一栏摘要里没有。全文我下下来了，表还没逐张核，所以这条先记成“待核”，不当结论——上次就是没核表就下了判断，被人当场问住。
5.8 个点在噪声的哪一侧
2Wiki 这个 5.8 我相对愿意多看两眼，因为它的对照组是单个“最强基线”，分母清楚。麻烦在幅度。
这套流水线里至少三种东西在随机：检索的近似最近邻、建图那一步 LLM 抽节点抽边、reader 的解码。三个源叠起来，同一套配置重跑，2Wiki 上 EM 的极差我自己的表里见过 3 个点出头。5.8 大概压在边界外侧一点——方向能信，幅度我不敢签字。
⚠️ 这归到“样本不够，先当方向参考”，不是“这个数不对”。
一次跑出来的 5.8，和跑十次中位数 5.8、极差 1.2，是完全不同强度的两份证据。摘要没说跑了几次，我不替它补。
23.3% 才是该当头条的那个数
token 开销 23.3%，比 14.4 有意思得多，因为它是比值。而比值最容易被写得挑不出错、又什么都没说清。
“最强基线”一般是按精度挑出来的那位，而按精度挑出来的基线，往往也是烧 token 最凶的那位。拿最贵的当分母，23.3% 当然好看。这个数本身没错，但它回答的问题是“跟最贵的那位比，你便宜多少”，不是“这类方法普遍便宜多少”。这两件事差多远，取决于这个领域基线的 token 开销分布有多宽——那个分布，摘要没给。
比 token 更该看的是每答对一题花多少 token，因为精度和成本分不开算。我拿摘要里的数反推一个算例，基线 EM 我随手取 55（这个数是编的，只为把算术走通，真值在论文表里）：
| EM | token 指数 | 每正确一题的 token 指数 | |
|---|---|---|---|
| 基线 | 55% | 100 | 181.8 |
| ThreadRAG | 69.4% | 23.3 | 33.6 |
单位正确率成本降到基线的 18.5%。如果这个算例的方向对，这篇论文真正值钱的不是 14.4，是最后一行——同样的预算能跑五倍多的查询，或者同样的查询量省下八成账单。这个量级的差别比 EM 上几个点难伪造得多，也难做到得多。
但这里有个变量我没看到交代：建图成本摊到哪去了。STM 把检索到的文档组织成语义节点，再用叙事、语义、词汇三类边连成 STG——这一步如果是每个 query 现建，23.3% 里应该已经含了；如果是按语料建一次、所有 query 复用，这笔账就得除以 QPS 才成立。十次查询和十万次查询是两个完全不同的成本结构，摊销曲线在低 QPS 那头很陡。摘要里没这一栏，页面上我也没找到，留到正文核。
我前面说这才是头条。要是建图成本没摊进那 23.3%，这句话得收回一半。
它最后喂回模型的还是文本
这篇的诊断我认同一半。
它说图谱类 RAG 卡在两个地方：语义损失，连续文本压成离散符号，上下文细节和叙事连贯性丢了；模态不匹配，碎片化的图结构和 LLM 预训练吃的连续文本对不上，而把图改写成自然语言又会带进生成噪声、漏信息。这两条都是机制层面的判断，说得挺准。
然后给的解法是：STM 建语义节点加三类边成图，EDP 用能量扩散在图上定位相关子图，再确定性地把子图线性化成连贯的文本证据路径。
最后一步。喂给 reader 的还是文本。
那么模态不匹配这个问题，是被图解决的，还是被最后那一步线性化解决的？我的直觉偏后者。线性化成一条连贯路径这个动作本身，就把碎片粘回去了，图的贡献可能只是决定按什么顺序粘。这两件事在最终 EM 上会混成一坨，只有消融能分开：去掉 STG，直接对检索结果做同样的线性化、同样的顺序策略，14.4 里能剩下几个点？
这不是指控，是我要看的下一张表。如果线性化那一步单独就能拿到 8 个点，那这篇的重心就该往后挪，标题里 Graph Topology 那半句的权重也得跟着挪。能量扩散那套东西听起来像重排，重排这件事，一个训好的小 reranker 便宜得多。
“确定性”锁住的也包括错的那部分
EDP 描述里“确定性地线性化”这个词，值得单独抠一下。
确定性在这里的好处是可复现：同一张 STG、同一个 query，走同一条路，出同一条文本。对做评测的人来说是好事，我举双手。
但它同时意味着上游的错误不会被采样平均掉。节点抽错了、边连歪了，这条错路径会被确定性地复现——跑十次，十次是同一个错。所以这篇的方差特征会和纯采样型 pipeline 不一样：reader 那层的抖动还在，路径那层近乎为零。这会让“重跑十次取中位数”这个套路在它身上显得比实际更稳，因为最不稳的那一环被确定性盖住了。
该做的是换建图那一步的随机种子重跑十次。这两件事经常被混为一谈，我见过不少结论就是这么来的。
EM 这个指标本身也脆
HotpotQA 上的 EM 是归一化后的字符串精确匹配。答案写“Barack Obama”还是“Obama”，在有些归一化规则下一个对一个错。多跳 QA 上 EM 涨几个点，有可能只是答案抽取和格式化变好了，多跳链路一步没走对也能涨。
要分清得看 supporting fact 的召回：该跳的那几句文档，检索到没有、进没进最终路径。EM 上去了但 fact recall 没动，涨的是最后一公里；两个一起动，才是多跳真走通了。摘要只给 EM，这一栏我去正文翻。
复现清单
能在我自己机器上重跑的东西列一下：PDF 全文在，实验性 HTML 版在，TeX 源码也放出来了。源码这条得给分——prompt 和超参多半就在里面，比正文那张“实验设置”表靠谱。549 KB 不算大，附录应该翻得完。
一个提醒：DOI 10.48550/arXiv.2610.29933 的注册状态还是待完成。不是问题，是引用的时候心里有数，这条记录还没定版，后面可能改。
置信标签
方向大致对，样本还不够。
三条高置信，读摘要就能确认，不用跑任何东西：对照组的混乱、14.4% 单位不明、“最强基线”这个分母对成本比值有系统性偏袒。
两条中等置信，得看跑了几次、建图成本怎么摊：5.8 落在噪声边界外一点、23.3% 的量级可信。
至于图的贡献占多少、线性化占多少，EM 涨的是最后一公里还是多跳链路——没测到，不知道，这两栏我核完表再改这篇文章。
这套东西的量级不是我能跑起来的，脚本我没有。但表是可以核的。谁先核了那张消融表，数字对不上，告诉我。