MMKG-RDS:通过深度挖掘多模态知识图谱进行推理数据合成

合成高质量训练数据对提升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局限。基于知识图谱的方法在功能性、粒度、可定制性和评估方面仍有不足。为解决这些问题，我们提出MMKG-RDS，一个利用多模态知识图谱的灵活推理数据合成框架。它支持细粒度知识抽取、可定制的路径采样和多维数据质量评分。我们用MMKG-RDS-Bench数据集验证MMKG-RDS，该数据集覆盖五个领域、17种任务类型、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）可将推理准确率提升9.2%。该框架还能生成有区分度的数据，在涉及表格与公式的任务上对现有模型构成挑战，可用于构建复杂基准。数据集与代码见 https://github.com/360AILAB-NLP/MMKG-RDS。