STAGE-RAG：双空间子图上的连续实体状态演化用于多跳推理

基于摘要分析。研究针对多跳 Retrieval-Augmented Generation（RAG）整合碎片化证据时的逻辑连贯性与推理漂移问题，提出 STAGE-RAG（STAte-aware Graph Evolution），将多跳推理建模为双关系文本块子图上的连续贝叶斯实体状态演化。 核心机制是维护由实体身份与动态信念分数组成的实体状态，并通过状态加权传播隐式引导推理；双路径检索负责构建局部子图，在剪除无关节点的同时保留细粒度逻辑依赖。作者将该设计与两类方法区分：迭代查询细化可能依赖有损压缩表示而丢失语义细节，全局图方法虽保留结构连通性，却可能引入拓扑噪声与较高计算开销。摘要未展开双关系的具体定义、贝叶斯更新公式、检索路径实现以及训练或推理流程，相关细节尚未验证；不能仅凭“状态演化”将其视为常见序列建模中的 State Space Model。 作者报告，在 HotpotQA、MuSiQue、2WikiMultiHopQA 和 MoreHopQA 的评估中，STAGE-RAG 在准确性与效率方面持续优于其所比较的最先进基线。摘要未提供具体指标数值、数据划分、基线配置或效率测量口径，因此尚不能判断提升幅度及计算预算是否可比。实验协议、消融及统计信息尚未验证。 该研究的主要对象是文本证据检索与多跳问答，而非 EEG 信号建模或 BCI。现有材料未提供实体信念传播与神经信号任务之间的具体对应机制，因此不据此推断 BCI 有效性，也不提出 EEG 迁移实验；已有 EEG 相关工作尚未检索确认。复现时需进一步核对实体与文本块关系的构建方式、状态初始化及更新规则、子图剪枝条件，以及基础语言模型和检索配置。