GraphDancer：用课程强化学习训练LLM探索图结构知识

01 摘要

论文研究LLM如何学习在异构图上进行多跳证据聚合和精确函数调用，并迁移到未见领域。作者提出GraphDancer强化学习框架，结合图感知课程（按问题结构难度从易到难采样）训练中等规模LLM。在GRBench多领域基准上，仅用学术和生物医学图训练，模型在留出问题和未见领域均优于同底座图代理基线，轨迹分析显示其更常检索到答案证据且无效协议结果减少。

02 关键点

1. GraphDancer让LLM在图上交替推理与执行函数调用，而非仅依赖相似度检索。
2. 图感知课程按问题结构难度从易到难采样，以改善中等规模LLM的强化学习训练。
3. 仅用学术和生物医学图训练，在未见电商、文学、法律图上仍优于同底座基线，14B版本平均超越GPT-4.1-mini和GPT-5-nano驱动的基线。