Megrez把教科书拓扑形式化搬进MK集合论库：262个文件、2529条Qed证明已入库
面向建立在Morse–Kelley集合论之上的Rocq库，Megrez把通用编码智能体与可重建的知识图谱、短促交互式证明循环和三项验收流程组合起来，用于逐章形式化教科书。在点集拓扑语料MKTopos上，它覆盖12个模块、262个.v文件、3894条声明和2529条完成的Qed证明，共102122行证明脚本；检索基准显示，在10万节点规模下精确标识符查询的p95延迟从72.29毫秒降到1.23毫秒。
Graphify把项目映射成可查询知识图谱：代码解析全本地不调大模型，每条边标注抽取还是推断
Graphify-Labs 发布的 graphify 让 AI 编程助手在项目里输入 /graphify，把代码、文档、PDF、图像和视频映射成一张可查询的知识图谱，用遍历图代替在文件里反复搜索。代码部分用 tree-sitter 解析抽象语法树，确定性执行、不调用大模型、数据不出本机；文档、PDF、图像和视频则借助助手自带模型或配置的 API 密钥做语义处理。每条连接都标注为 EXTRACTED（源中明确写出）或 INFERRED（由 graphify 解析推断），产物包括可点击的 graph.html、GRAPH_REPORT.md 和完整 graph.json。
英伟达把AI工厂遥测接成一张因果图：81条告警并成1起事件，省下约54小时集群运行时间
英伟达推出面向AI工厂的AIOps平台Minerva，把GPU、交换机、存储与训练作业的遥测汇入一张随作业变化更新的知识图谱，再用监督与无监督模型识别静态阈值抓不到的“灰色故障”。在英伟达给出的一个案例中，一次交换机重启引发的81条独立事件被合并为一起事件，节省约54小时集群运行时间；另一个案例中，平台从约40万个接口里定位到一条正在悄悄丢带宽的NVLink连接。这些数字来自英伟达内部测试与案例描述，覆盖的是其支持场景。
地铁火灾风险不再靠专家挑节点：知识图谱加图网络自动选出22个关键节点，伤亡高概率从6.58%升到53.2%
地铁火灾风险评估长期依赖专家手工挑选贝叶斯网络节点，主观性强、难以随场景调整。这套方法先用自然语言处理从事故记录与消防规范中抽取215个火灾特征词和6类风险标签，建成含666个节点的知识图谱，再用三层图卷积网络做节点分类，结合置信度与K-means聚类自动选出22个代表节点搭建贝叶斯网络。在恶意乘客行为、排烟失效、报警延迟等风险耦合的场景下，伤亡节点的高风险概率由基线6.58%升至53.2%。
英伟达推出Minerva：把GPU、网络和作业放进一张动态知识图谱，让AI工厂先修再停
英伟达发布AIOps平台Minerva，面向由大量GPU组成的AI工厂做端到端可观测性。此前网络、计算、站点可靠性和机器学习团队各自看到数据中心的不同部分，告警彼此割裂。Minerva把GPU、SuperNIC、交换机、线缆、存储、调度器与作业的遥测汇到一起，构建动态知识图谱，并用监督与无监督学习识别异常、预测故障、按拓扑关联事件，把告警风暴收敛为带可能根因的单一事件。
患者安全推理不再只靠语言模型：去掉知识图谱，F1掉0.047且三项指标均显著变差
患者安全推理系统把知识图谱、检索增强生成与LLaMA模型组合起来，从MIMIC-III和MIMIC-IV的临床记录中抽取安全概念并给出可追溯的解释。完整系统在概念抽取上取得0.89的F1；去掉知识图谱后F1下降0.047、AUROC下降0.084、AUPRC下降0.110，三项差异均显著。去掉检索增强或LoRA微调带来的下降较小且未达统计显著，检索证据的相关性仅由专家定性确认。
PFAS替代不再只给候选清单：三级智能体把实验室可购材料与可制造性接进同一条闭环
面向PFAS替代，一套三级多智能体流程把需求分析、候选生成与可制造性评估串成闭环，在固定骨干模型下总分从2.99升到5.47。
双过程框架让自动驾驶在红灯闯行场景中把碰撞从48次降到5次
该工作提出一个受双过程理论启发的混合框架：用TransFuser++神经网络在常规场景生成类人轨迹，用基于知识图谱推理的风险场驱动元认知组件判断是否切换到模型预测控制规划器，并在CARLA中针对车辆（含救护车）闯红灯的分布外场景测试，结果显示车对车碰撞由160次仿真中的48次降至5次，降幅89%。
XoG 用图嵌入补全缺失推理路径，在不完整知识图谱问答上稳定超越无任务训练基线并将 LLM token 消耗最多降低 33%
该工作提出 XoG（eXplore-over-Graph）框架，针对不完整知识图谱上的多跳问答，用类型级实体-关系统计识别候选关系、用知识图谱嵌入检索可能缺失的实体，并把 LLM 作为语义选择器与推理器嵌入迭代的规划-探索-推理流程；在 WebQSP、CWQ 与基于 Wikidata 的 BRINK 基准上，XoG 在完整图谱上保持竞争力，在不完整图谱上持续优于未做任务特定 KGQA 训练的可比方法，且该增益在多个 LLM 主干上保持，同时相比一个密切相关的规划式方法将 LLM token 消耗最多降低 33%。
骨科学问答不再只靠模型记忆：给对段落，同一模型答对率从42%升到78%
骨科学文献横跨生物学、力学、材料与临床，通用大模型回答流畅却难以指认证据，也无法把专家纠错长期保留。BoneGraph 把7,449篇全文文献切成248,629个段落向量，配一张1,597个概念、1,699条因果关系的骨知识图谱，做成检索、问答、自纠推理、影像识别与图像力学五个标签页。在50道多选题上，同一模型无检索答对21题，直接给含答案段落时答对39题；但关键词检索只到26题，与无检索差异不显著。