KARMA：基于知识图谱的自动推理物化和对齐

基于模板的对比合成是可扩展的，但其候选者通常仅在少数实体槽中有所不同，而序列级优化将监督分散到大多数共享模板上。我们将其形式化为分辨率不匹配问题，并提出 KARMA，它枚举领域知识图上的模式约束路径，并将它们表述为槽对齐的对比候选者。然后，时隙并行对齐（SPA）应用解耦的时隙级目标，将偏好监督路由到有区别的实体时隙，并使用时隙感知的屏蔽注意力作为可选的打包评估实现。在生物医学、计算机科学和化学基准方面，KARMA 优于基本 LLM 和相同数据 SFT 基线，并且与序列和 词元级 偏好方法相比具有优势。