SpectRAG: Weighted Chunk Graphs for Token-Budgeted Context Selection in Multi-Hop Retrieval-Augmented Generation
Pubblicata su AIChronos il · fonte del · Zafer Sahinoglu, Abdulazeez Mohammed, Buse Yaren Kazangirler, Cahit Berkay Kazangirler
SpectRAG è un framework per il retrieval-augmented generation (RAG) che utilizza grafi pesati e propagazione spettrale per selezionare contesti ottimizzati rispetto al budget di token. Il sistema combina seeding ibrido, espansione sul grafo dei chunk semantici e selezione del contesto finale basata sulla vicinanza nel dominio dello spettro grafico. Questo approccio mira a recuperare prove rilevanti, diversificate e strutturalmente connesse per supportare il ragionamento multi-hop, superando i limiti del retrieval indipendente basato su ranking.
- Utilizza un grafo pesato dei chunk dove gli archi codificano similarità semantica, adiacenza documentale, gerarchia delle sezioni e link di citazione.
- Implementa una selezione del contesto a budget fisso di token che assembla prove sufficienti per il grounded reasoning senza ridondanze.
- Migliora la recovery dell'evidenza ampia in benchmark come MultiHopRAG ed UltraDomain rispetto a baseline dense, hybrid e HyDE.
- La struttura spettrale del grafo è particolarmente efficace per il retrieval orientato all'inference e cross-documento.
- Evidenzia compromessi tra precisione iniziale, costo computazionale e performance dipendenti dal dominio.
Perché conta. Per gli sviluppatori di agenti AI locali o sistemi RAG, SpectRAG offre una strategia avanzata per gestire dipendenze incrociate tra chunk e garantire che il contesto recuperato sia sufficientemente completo per il ragionamento complesso senza superare i limiti di token dei modelli.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.