THOR：用于多跳 QA 的 Theta-Gamma 分层振荡推理框架

多跳问答需要检索和整合来自多个上下文的证据。尽管当前研究进展迅速，多跳推理仍然受到两个持续存在的限制：注意力衰减（随着推理链的增长，模型对主要问题的关注度降低）和错误累积（错误跨跳传播并复合成最终失败）。受 Theta-Gamma 分层振荡的启发，Theta-Gamma 分层振荡将全局规划与局部检索分离，实现跳跃之间的有效注意力转移，以及中断错误路径中错误累积的验证和修复机制，我们提出了 THOR，一种受大脑启发的 Theta-Gamma 分层振荡推理框架。在多跳 QA 基准上进行的广泛比较实验和具体验证实验表明，THOR 提高了答案的准确性和鲁棒性，同时减轻了限制，展示了其在不同骨干网中的泛化能力。