Article · IA & agents
Découvrir des preuves multi-hop sans construire un graphe avec un LLM
G3RAG construit un graphe documentaire sans tokens générés et équilibre similarité et nouveauté par un gain géométrique contrôlé.
Sortir du piège de la similarité
Pour une question multi-hop, les passages les plus proches lexicalement ne suffisent pas toujours à atteindre le document qui porte la réponse. Les graphes construits par extraction d'entités peuvent, eux, coûter beaucoup de tokens et propager du bruit. G3RAG choisit un graphe composé seulement de documents.
Résultats rapportés
Les arêtes utilisent le produit cos(theta) × sin(theta), qui favorise à la fois une cohérence directionnelle et une nouveauté orthogonale. Une pénalité de densité réduit le poids des hubs ; une diffusion contrôlée part de quelques graines filtrées par un LLM. Sur MuSiQue, 2WikiMultiHopQA et HotpotQA, avec Nv-embed-v2 et Qwen3-8B-embed, les auteurs rapportent le meilleur F1 moyen et le meilleur taux de hit du document-réponse parmi les graphes comparés. Le gain atteint 4,26 points de F1 en moyenne et 5,76 points sur MuSiQue. La construction du graphe n'utilise pas de tokens générés, contrairement aux méthodes d'extraction d'entités évaluées.
Interprétation éditoriale
Le mécanisme est une façon explicite de régler le compromis entre rester dans le sujet et sortir d'un voisinage redondant. Il peut être pertinent quand la pertinence doit être mesurée au niveau d'un chemin de preuves, mais il ne remplace pas la validation du contexte final par le générateur.
Limites
Les seuils de similarité et la pénalité sont réglés sur des corpus précis ; le papier indique lui-même qu'un seuil universel reste difficile à établir. Les résultats portent sur trois benchmarks multi-hop et deux modèles d'embedding. La suppression du coût LLM concerne la construction du graphe, pas toute l'inférence RAG.
Sources
Résultats des auteurs : résumé ArXiv · PDF. La recommandation de contrôle des preuves est éditoriale.