Модель с 2B параметров научили многоходовым рассуждениям с помощью graph RAG

Энтузиаст провёл эксперимент, в котором сравнил эффективность обычного RAG (Retrieval-Augmented Generation) и RAG на графах (graph RAG) для небольшой языковой модели с 2B параметров. Проверка показала, что графовая структура данных позволяет модели справляться с задачами, требующими многоходовых рассуждений, тогда как классический подход к поиску по тексту даёт сбой.

В качестве примера приводится вопрос: «Кто должен подписать возврат клиенту на 800 фунтов в марте?». Ответ не содержится в каком-то одном документе напрямую, но может быть выведен из цепочки взаимосвязанных фактов. Обычный RAG, который ищет по ключевым словам в отдельных фрагментах текста, такую цепочку выстроить не может. Graph RAG же представляет информацию в виде графа, где сущности (клиент, сумма, дата, ответственность) связаны отношениями, что позволяет модели пройти по этим связям и найти ответ.