RAG框架精选2

原文链接:https://i68.ltd/notes/posts/20250406-llm-rag2/

清华Hyper-RAG

• 使用超图驱动的RAG对抗LLM幻觉
• 论文链接:https://arxiv.org/pdf/2504.08758
• 项目仓库:https://github.com/iMoonLab/Hyper-RAG
• 清华Hyper-RAG：利用超图建模高阶关系，让DeepSeek/Qwen生成质量飙升12.3%

为什么Hyper-RAG更强大

• 使用超图进行全面的关系建模 ：利用超图对原始语料库数据中的关联进行全面建模，与传统的基于图的数据组织相比，提供了更复杂的关系。️
• ️Hypergraph-DB 本地集成 ：采用 Hypergraph-DB 本地数据库作为基础，支持更高阶关联的快速检索。
• 超级性能 ：Hyper-RAG 的性能分别比 Graph RAG 和 Light RAG 高 6.3%和 6.0%。
• 广泛的验证 ：在九个不同的数据集上，基于选择的评估，Hyper-RAG 显示出比 Light RAG 性能提高了 35.5%。
• 检索效率 ：与 Light RAG 相比，轻量级的 Hyper-RAG-Lite 检索速度提高了一倍，性能提高了 3.3%。

LettuceDetect-RAG应用幻觉检测框架

• 轻量级且高效的工具，用于检测RAG系统中的幻觉
• 项目网站:https://krlabs.eu/LettuceDetect
• 项目仓库:https://github.com/KRLabsOrg/LettuceDetect
• RAG系统幻觉检测新利器：LettuceDetect
• 通过比较答案与提供的上下文，识别出答案中不受支持的部分。该工具在RAGTruth数据集上进行训练和评估，并利用ModernBERT进行长上下文处理，使其非常适合需要广泛上下文窗口的任务

LettuceDetect-RAG项目亮点

• 解决关键限制：LettuceDetect解决了现有幻觉检测模型的两个主要限制：传统编码器方法的上下文窗口限制和基于LLM方法的计算效率低下的问题。
• 卓越性能：在RAGTruth数据集上，LettuceDetect的模型在所有基于编码器和基于提示的模型中表现最佳，速度更快，体积更小。
• 开源许可：LettuceDetect的代码、模型和工具均在MIT许可下发布，允许自由使用和修改。