GLM-RAG: Graph Language Models for Graph-Based Retrieval-Augmented Generation
论文《GLM-RAG: Graph Language Models for Graph-Based Retrieval-Augmented Generation》提出基于图语言模型（GLM）的检索器，用于知识图谱上的检索增强生成（RAG）。研究发现，微调的GLM检索器在域外泛化上表现更好，在两个多跳基准上达到SOTA；在域内多跳QA数据集上与先前工作相当，且随参数和子图覆盖增加有扩展潜力。GNN检索器以高效训练实现更高图覆盖，向量搜索基线在单跳数据集上表现优异。
发展脉络
- 首次出现GLM-RAG: Graph Language Models for Graph-Based Retrieval-Augmented GenerationarXiv cs.AI
- 当前判断该研究为知识图谱RAG系统提供了新的检索器选择，GLM检索器在域外泛化上的优势可能推动跨领域知识密集型应用的发展。GNN检索器的高效训练和向量搜索的单跳优势表明，实际系统可能需根据任务特性混合使用多种检索器。Agent Pulse · 分析
该论文介绍了一种基于图语言模型（GLM）的检索器，用于知识图谱上的检索增强生成（RAG）。研究对比了GLM、GNN和传统向量搜索三种检索器在单跳和多跳RAG设置中的表现，并特别关注对未见领域的迁移性。结果表明，微调的GLM检索器在域外泛化上更优，在两个多跳基准上达到SOTA；在域内多跳QA数据集上与先前工作相当，且随着参数和子图覆盖增加展现出有前景的扩展性。GNN检索器通过高效训练实现更高图覆盖，而向量搜索基线在单跳数据集上表现优异。
GLM检索器通过融合图结构与语义信息，在域外多跳推理上优于GNN和向量搜索，表明语言模型预训练知识有助于跨域泛化。其扩展性随参数和子图覆盖提升，提示模型容量和图上下文对多跳RAG的重要性。GNN检索器的高图覆盖与高效训练形成对比，暗示不同检索器在效率与泛化间的权衡。
该研究为知识图谱RAG系统提供了新的检索器选择，GLM检索器在域外泛化上的优势可能推动跨领域知识密集型应用的发展。GNN检索器的高效训练和向量搜索的单跳优势表明，实际系统可能需根据任务特性混合使用多种检索器。
对于构建知识图谱RAG系统的企业，GLM检索器可提升跨领域问答的准确性，减少领域适配成本。其扩展性意味着投资更大模型可能带来持续收益，而GNN检索器的高效训练则适合资源受限场景。
后续可关注GLM检索器在更大参数规模和更高子图覆盖下的性能提升，以及其在更多未见领域的迁移表现。同时，混合检索策略（结合GLM、GNN和向量搜索）可能成为实际部署的趋势。