TigerGraph
PulseAugur coverage of TigerGraph — every cluster mentioning TigerGraph across labs, papers, and developer communities, ranked by signal.
-
GraphRAG 将 LLM 令牌数量减少 9.3%，同时提高准确性
一位开发者展示了 GraphRAG，一种利用知识图谱进行检索增强生成的方法，与传统的 RAG 相比，可以显著减少令牌使用量。通过遍历知识图谱而不是依赖相似性搜索，GraphRAG 为 LLM 提供了更集中的上下文。在生物医学研究论文的基准测试中，GraphRAG 在保持 100% 答案准确性的同时，实现了 9.3% 的令牌减少。
-
GraphRAG 在黑客松演示中将 LLM 令牌数量减少 56%
一个黑客松项目展示了 GraphRAG，一种利用知识图谱进行信息检索的方法，可以显著减少 LLM 查询中的令牌使用量。通过遍历图谱中的连接事实，而不是依赖文档块的相似性搜索，GraphRAG 在保持答案准确性的同时，实现了比基本 RAG 减少 56.4% 的令牌使用量。这种方法对于复杂的多跳问题尤其有效，为向 LLM 提供上下文提供了一种更结构化、更有效的方式。
-
GraphRAG通过检索连接知识来减少LLM令牌使用量
使用TigerGraph的GraphRAG方法开发的两个项目展示了其在减少令牌使用量和提高大型语言模型答案质量方面的有效性。这两个系统一个专注于网络安全，另一个专注于生物医学，将GraphRAG与传统的纯LLM和基础RAG方法进行了比较。通过利用知识图谱检索连接的实体和关系，GraphRAG为LLM提供了更集中的上下文，从而在保持准确性的同时降低了成本和延迟。
-
CyberGraph RAG 使用 TigerGraph 改进 LLM 网络安全分析
研究人员开发了 CyberGraph RAG，一个旨在通过利用图数据库来改进大型语言模型处理网络安全数据方式的系统。与难以处理网络安全威胁关系性的传统 RAG 不同，CyberGraph 将威胁行为者和漏洞等实体建模为 TigerGraph 中的一个图。这种方法可以更集中地检索相关关系，与仅使用 LLM 或基本向量 RAG 的方法相比，可减少 token 使用量、降低延迟并提高响应的事实一致性。
-
GraphRAG 基准测试显示其比 RAG 和仅 LLM 的效率更高
在 TigerGraph 黑客松期间，两位开发者构建了基准测试平台，以比较大型语言模型（LLM）的推理管道。他们的工作旨在展示结合了基于图的检索的方法 GraphRAG，如何优于传统的仅 LLM 和基础 RAG 方法。通过使用人工智能研究论文和医学信息的数据集，他们评估了 token 使用量、延迟、成本和响应质量，以显示 GraphRAG 的效率和准确性优势。
-
Spartans-GraphRAG 利用知识图谱降低 LLM 令牌成本
一个名为 Spartans-GraphRAG 的新系统已被开发出来，以提高大型语言模型 (LLM) 推理的效率，特别是在网络安全威胁情报等复杂任务中。与传统的检索增强生成 (RAG) 方法相比，该系统利用知识图谱来减少令牌消耗。通过将关系表示为紧凑的三元组而不是冗长的句子，Spartans-GraphRAG 在保持或提高分析准确性的同时，显著减小了提示的大小和相关成本。
-
GraphRAG 在量子论文上将 token 使用量减少 60%
为 TigerGraph GraphRAG 推理黑客马拉松开发的一个项目表明，GraphRAG 在处理复杂查询时能显著减少 token 消耗并提高准确性。通过构建实体及其关系的知识图谱，与传统的基于向量的 RAG 相比，GraphRAG 能够实现更集中的检索。在对超过 200 万篇量子计算研究论文摘要进行基准测试时，GraphRAG 的准确率达到了 90%，优于仅使用 LLM 和基础 RAG 的管道。