ReGraph 是一个大规模的食谱图数据集，它将食材、烹饪动作和工具表示为实体，使用实体属性来描述食材状态的变化，并使用类型化关系来编码操作目标、目的地和程序顺序。ReGraph 还结合了显式的食谱推理链路（Recipe Reasoning Chain-of-Thought，RR-CoT），为程序分解和结构化图生成提供辅助监督。 基于 ReGraph，我们提出了食谱图学习（Recipe Graph Learning，RGL）框架，它使得大型多模态模型（Large Multimodal Models，LMMs）能够从食物图像中生成一个合理的、细粒度的烹饪工作流程，以结构化的食谱图的形式呈现。 我们的实验结果显示，现有的方法生成的食谱虽然具有竞争力的文本生成质量，但是在 ReGraph 模式下却只能恢复有限的参考对齐实体和关系结构。相比之下，RGL 一致地改进了烹饪实体和程序关系的生成，我们的分析进一步表明，细粒度的食材状态捕获仍然是最具挑战性的维度。 博主点评： ReGraph 为食谱生成提供了一个新的、结构化的视角，它使得模型能够生成更详细、更有序的烹饪工作流程，这是一个非常有趣的研究方向，未来可能会在智能厨房、自动化烹饪等领域有所应用。