摘要
大型语言模型在神经权重中隐式编码了世界模型，这在医疗和金融等高精度领域暴露出四个结构性风险：幻觉、知识冻结、解释性差和可修改性差。本文提出了数据优先本体：将大型语言模型视为推理和语言引擎，而将确定性知识移入一个显式的多模态数据库DaoQL。
我们形式化了一个显式的世界模型，并展示了在规则独立性、确定性评估和固定冲突解决下，显式模型提供了可组合反事实可分解性的充分条件；隐式模型缺乏原子读取/增量语义，因此没有可比的架构保证。实现的系统专注于DaoQL的验证存储层和显式评估路径，将图形、列、向量和全文引擎集成于一个过程中。
KVCache图节点、专家热更新和DaoQL-Agent运行时仍为未来工作。在嵌入的同机设置中，DaoQL报告图BFS为1.20毫秒，HNSW为83.1微秒，流畅的混合查询为105.8微秒；这些结果表明了工程潜力，但必须考虑到与客户端-服务器系统之间的部署形态差异。对LDBC SNB SF1和ANN-Benchmarks的探索性测量进一步显示，在交互类查询中，34/34查询覆盖率大部分在亚毫秒到毫秒范围内，但由于长尾BI/IC查询，整体仅为1.8 QPS；ANN-Benchmarks在桥接边保护修复后达到Recall@10 = 99%的千级QPS。
在五个领域的反事实实验中（n = 1250），DaoQL+GPT-4o实现了94%的可组合反事实可分解性，比单独的GPT-4o高出49个百分点。本文明确区分了可证明的结构、初步的实证证据和架构路线图声明。
博主点评： 这项研究通过将确定性知识转向显式存储，显著降低了大型语言模型在高精度领域的风险。DaoQL展示了高效的查询性能，并在反事实推理中提供了优越性，值得关注其在实际应用中的推广潜力。