BiGraph-Diffuse：面向心理健康咨询的双向扩散语言模型与图结构检索

心理健康障碍影响全球数亿人，而专业咨询的可及性仍然严重受限。AI驱动的对话系统提供了可扩展的替代方案，但现有模型面临两个根本挑战。第一，它们缺乏捕捉情感表达分层性质所需的双向理解，尤其是在渐进式披露的情形中——来访者常在表层呈现症状而隐瞒更深的创伤。自回归（AR）模型按顺序处理信息，当对话后期出现新证据时无法修改早期解读。第二，它们未能有效整合支撑临床推理的关系知识。本文提出BiGraph-Diffuse，首个为咨询领域定制的大规模扩散语言模型。我们进一步引入BiGraph-RAG，一种免关系的图结构检索策略，仅依赖轻量级实体抽取和语义链接。该设计保留了从可观察症状到潜在深层原因的推断路径，同时在索引期间产生零LLM token成本。重要的是，这两个模块不只是组合在一起，而是相互增强：扩散模型提供整体双向上下文，使系统能在渐进式披露中推迟过早判断；基于图的检索则捕捉临床知识的结构化互联。大量实验证明了BiGraph-Diffuse的有效性，我们还提供了支持其设计的坚实理论分析。