qdb-ai-benchmarks

QDB（Quantum-Inspired Deductive Database）基准测试套件是一个用于评估量子启发式演绎数据库与状态RAG引擎性能的数据集。该数据集包含10,000到100,000个样本，涵盖多跳推理、时间图验证、矛盾图优化、向量压缩等任务。数据以.qdb容器格式存储，包括结构化状态文档（states.json）、关系图边（relations.json）和嵌入向量（vectors.npy），并支持SHA-256完整性校验。该数据集专为验证离散哈密顿优化、路径积分模拟量子退火、超球面状态遍历等算法的检索精度、压缩率和推理速度而设计。QDB (Quantum-Inspired Deductive Database) benchmark suite is a dataset designed to evaluate the performance of quantum-inspired deductive databases and state-of-the-art RAG engines. The dataset contains 10,000 to 100,000 samples, covering tasks such as multi-hop reasoning, temporal graph verification, contradiction graph optimization, and vector compression. Data is stored in the .qdb container format, including structured state documents (states.json), relational graph edges (relations.json), and embedding vectors (vectors.npy), with SHA-256 integrity verification. The dataset is specifically designed to validate algorithms such as discrete Hamiltonian optimization, path integral simulated quantum annealing, and hyperspherical state traversal in terms of retrieval accuracy, compression ratio, and inference speed.

原始信息汇总

QDB（qdb-ai）基准测试数据集详情

基本信息

• 数据集名称：QDB: Quantum-Inspired Deductive Database, Multi-Agent Workflow Engine & In-Transformer PyTorch Neural Memory
• 许可证：BSL-1.0（Boost Software License 1.0）
• 任务类型：问答（question-answering）、文本生成（text-generation）
• 数据集规模：1K < n < 10K 条样本
• 标签：量子退火、RAG、图数据库、向量数据库、PyTorch、多智能体、记忆、基准测试

核心内容概述

该数据集包含QDB（量子启发式演绎数据库）系统的基准测试数据，主要评估其在多跳因果推理任务上的表现。核心评测场景为一条6跳因果依赖链，并注入了时间陷阱、实体吸引子和矛盾陈述干扰项。

基准测试对比架构

检索架构/引擎	6跳因果连续性	矛盾泄漏率	检索延迟
稠密向量RAG（Qdrant + MMR）	50.0%（第2跳断裂）	100%（泄漏）	2.89 ms
微软GraphRAG（Leiden）	33.3%（社区截断）	100%（泄漏）	36.41 ms
HippoRAG（斯坦福 & 俄亥俄州立大学，NeurIPS 2024）	50.0%（第4跳衰减）	100%（泄漏）	4.13 ms
QDB演绎引擎（本数据集）	100.0%（链路完整）	0.0%（干净基态）	3.24 ms

主要技术特征

1. 离散QCBO哈密顿量检索：将多文档上下文选择建模为伊辛自旋玻璃哈密顿量的全局能量最小化问题，利用铁磁耦合拉取多跳因果链，反铁磁矛盾墙阻止冲突事实共同入选。

2. 可微分PyTorch神经记忆（qdb.nn）：实现零令牌提示开销，Transformer隐藏状态直接交叉关注内存张量，具备可微分门控机制，支持在冻结基础LLM参数下进行反向传播训练。

3. 热力学logit拦截器：在GPU解码时实时监控隐藏状态语义共振，对幻觉或矛盾令牌注入+50.0 J热力学惩罚，将无效声明采样概率压低至P(false) ≤ 1.9×10⁻²²。

4. 原生多智能体工作流引擎（qdb.Workflow）：节点转换仅需6.79微秒，比LangGraph快176倍；支持确定性时间回溯与状态分叉；通过Lyapunov能量收敛数学上防止无限循环。

使用方式

数据集对应Python包安装命令： bash pip install --upgrade qdb-ai==2.2.5

提供两种使用模式：

• 模式一：在Transformer内注入神经记忆（qdb.nn），通过Vault摄取知识，使用inject_memory_into_llm注入模型后进行接地生成。
• 模式二：使用超快多智能体工作流引擎（qdb.Workflow），支持Agent定义、状态管理、确定性状态执行。

引用信息

bibtex @software{qdb_ai_2026, author = {Prannesshkva}, title = {{QDB: Quantum-Inspired Deductive Database, Multi-Agent Workflow Engine & In-Transformer PyTorch Neural Memory}}, month = aug, year = 2026, publisher = {CERN Zenodo}, version = {2.2.5}, doi = {10.5281/zenodo.22056493}, url = {https://doi.org/10.5281/zenodo.22056493} }

搜集汇总

数据集介绍

构建方式

该数据集围绕QDB（Quantum-Inspired Deductive Database）这一融合量子启发式检索、多智能体工作流与可微分神经记忆的AI引擎构建，其构建方式独树一帜。数据源自对6跳因果依赖链的深度模拟，精心植入时间陷阱、实体吸引子与矛盾陈述，旨在全面考验检索架构的因果连续性与矛盾抑制能力。基准测试精心设计了四路对照实验，将QDB与Dense Vector RAG、Microsoft GraphRAG及HippoRAG等前沿系统进行同台竞技，通过量化因果链的完整性、矛盾泄露率及检索延迟等关键指标，系统性地揭示各架构在不同层面的性能边界。数据集的构建不仅关注结果精度，更深入机制层面，为评估混合型AI数据库的推理深度提供了严谨的实验场。

特点

该数据集的核心特质在于其高度复杂的推理挑战与多维度评估框架。它内嵌了六跳递进式因果推理链路，对检索模型的长期依赖与逻辑连贯性提出极高要求。尤为突出的是，数据集中故意设计的矛盾信息结构（如否定事实与时间错位），成为检测对抗性检索能力的试金石，能够清晰区分传统启发式方法与基于全局能量最小化策略的差异。评估指标不仅是简单的准确率，更涵盖了对因果链破裂点的诊断、矛盾泄露的比率以及实时检索效率，从而在语义保真度、逻辑一致性及运算速度三个维度上，构建起一个立体且严苛的评测体系，为研究量子启发算法在AI数据库中的实际效用提供了宝贵的实证数据。

使用方法

该数据集的使用方法高度契合QDB库的生态，旨在指导研究者无缝复现与扩展。使用者需先通过pip安装qdb-ai包，随后可依据数据集成套的基准测试脚本，在标准LLM（如GPT-2）上加载预置的知识库，并采用双模式进行验证：其一为向Transformer模型注入可微分的神经记忆模块，观察在零提示词开销下的生成质量提升；其二为运行多智能体工作流引擎，检验其在复杂任务状态下的调度效率与确定性。项目提供了详尽的Colab示例，降低了复现门槛，使得研究者能够便捷地对比QDB与GraphRAG等系统的性能差异，并在此基础上进行定制化扩展，如调整Ising模型的耦合参数或工作流节点逻辑，从而深入探索混合型推理架构的优化空间。

背景与挑战

背景概述

QDB（qdb-ai-benchmarks）数据集由研究者Prannesshkva于2026年创建，依托CERN Zenodo平台发布，其核心研究问题在于构建一种量子启发的演绎数据库与多智能体工作流引擎，并集成可微分的PyTorch神经记忆机制。该数据集旨在评估一种全新的检索增强生成（RAG）架构——QDB，其通过离散QCBO哈密顿量将多文档上下文选择形式化为全局能量最小化问题，以强化多跳因果链的连续性和矛盾信息的抑制。自发布以来，QDB在基准测试中展现出对传统向量数据库RAG、Microsoft GraphRAG及HippoRAG的显著优势，特别是在6跳因果依赖链的完整性和矛盾泄漏率方面，为信息检索与生成领域提供了新的范式，推动了AI推理与记忆机制的交叉研究。

当前挑战

QDB数据集所解决的领域问题在于传统检索增强生成（RAG）架构在应对多跳推理和复杂因果关系时的固有缺陷，包括上下文选择中的启发式排序导致因果链断裂，以及矛盾信息泄漏引发幻觉现象。构建过程中，研究者面临多重挑战：设计能够精确建模多文档关联的离散QCBO哈密顿量，确保铁磁耦合吸引完整因果链而反铁磁矛盾墙有效隔离冲突事实；实现零提示词开销的Transformer神经记忆注入，在不改变基座LLM参数的前提下通过交叉注意力实现潜在状态调节；以及开发具有亚微秒级节点转换的多智能体工作流引擎，通过Lyapunov能量收敛防止递归循环。此外，基准测试需公平对比多种先进RAG架构，控制实验变量，确保数据集的可靠性与可复现性。

常用场景

经典使用场景

QDB数据集作为量子启发式演绎数据库与多智能体工作流引擎的基准测试集，其核心应用场景在于评估检索增强生成（RAG）架构在复杂多跳因果推理与矛盾信息抑制方面的性能。该数据集精心设计了包含6跳因果依赖链、时间陷阱、实体吸引子及矛盾陈述的挑战性任务，用于严格检验不同检索系统在保持因果连续性、阻断矛盾泄漏及降低检索延迟等方面的能力。研究者可借助此基准，对稠密向量RAG、图RAG、HippoRAG及QDB演绎引擎进行公平而全面的对比分析，从而推动检索与推理技术的边界拓展。

解决学术问题

该数据集直面检索增强生成领域中长期存在的多跳推理断裂与矛盾信息污染两大顽疾。传统稠密向量检索虽速度快，却难以维系长程因果链条；图结构方法虽能聚合社区信息，却往往在社区边界处截断关键路径。QDB基准通过引入伊辛自旋玻璃哈密顿量的全局能量最小化框架，将上下文选择问题转化为离散优化问题，以铁磁耦合牵引完整因果链，以反铁磁矛盾墙严格禁止冲突事实共选，从而在理论上保证了检索结果的逻辑一致性与信息完整性。该数据集为验证此类量子启发式检索机制的有效性提供了标准化测试平台，有力推动了知识增强语言模型在复杂推理任务中的可信度提升。

衍生相关工作

围绕QDB数据集，一系列衍生工作已在检索增强与神经记忆交叉领域崭露头角。其一，基于哈密顿量建模的上下文选择方法被拓展至可微图谱推理，推动了图神经网络与能量基模型的融合探索。其二，零提示词内存注入架构启发了参数高效的大模型知识编辑研究，使得在冻结基座模型条件下实现实时事实更新成为可能。其三，多智能体工作流中的Lyapunov能量收敛理论，为循环智能体的终止性证明提供了新范式，衍生出关于智能体状态演化稳定性的系列理论分析。此外，该数据集本身作为开源基准，亦激励着社区开发对抗性更强的评测集，以持续检验检索系统在面对时间敏感信息、跨语言事实及用户意图歧义时的表现，形成研究-评估-改进的良性循环。