Les graphes de connaissances (KGs) sont essentiels pour permettre le raisonnement des connaissances dans divers domaines. Les méthodes récentes de raisonnement des KGs qui intègrent à la fois les informations globales et locales ont obtenu des résultats prometteurs. Cependant, les méthodes existantes souffrent souvent d'un lissage excessif des scores, ce qui atténue la distinction entre les réponses correctes et incorrectes et entrave l'efficacité du raisonnement. Pour remédier à cela, nous proposons DuetGraph, un mécanisme de raisonnement des KGs par passage progressif du grossier au fin avec une fusion double voie globale-locale. DuetGraph combat le lissage excessif en séparant — plutôt que superposer — le traitement des informations locales (via la propagation de messages) et globales (via l'attention) en deux voies distinctes, évitant ainsi toute interférence mutuelle et préservant la discrimination représentationnelle. De plus, DuetGraph introduit une optimisation progressive du grossier au fin, qui divise les entités en sous-ensembles à hauts et bas scores. Cette stratégie réduit l'espace de candidats et affine l'écart de score entre les deux sous-ensembles, ce qui atténue le lissage excessif et améliore la qualité de l'inférence. Des expériences approfondies sur divers jeux de données montrent que DuetGraph atteint des performances de pointe (SOTA), avec jusqu'à 8,7 % d'amélioration de la qualité du raisonnement et une accélération de 1,8 fois de l'efficacité de la formation.