做GraphRAG不用大模型，小模型反而效果更好

最新一篇论文指出，“构建GraphRAG（从文本文档构建知识图谱来做检索的RAG进阶形态）需要大尺寸LLM”其实是一种错误认知（https://arxiv[.]org/html/2607.11683v1）。

论文提出，LLM在管线中负责的工作，也就是从文本中抽取人名、产品名等实体，或是从上下文推理实体关系，这些都属于“语言技能”，和“世界知识（模型掌握各类常识事实的多少）”是两回事。

世界知识会随着模型尺寸增大持续提升，但语言技能在相对较小的模型上就会早早达到瓶颈。

实际测试中，将Qwen2.5系列从0.5B扩展到72B，世界知识问答的F1得分提升了21.1个百分点，而所有答案都明确写在上下文里的任务，得分只提升了4个百分点。

基于这一发现做了专属微调的7B模型「Meno-Lite-0.1」，在知识图谱构建任务的总得分上比32B的Qwen2.5-32B高出12.5%，而它的参数量还不到对方的四分之一。

同期发布的GraphRAG引擎RAGU采用了分离设计，将实体提取和整合处理（去重、摘要、对图谱做语义分块的社区检测）分开，能够构建噪声更少的知识图谱。

在医疗领域基准测试中，它完整覆盖答案依据的比例（证据召回率）在所有难度下都拿到了最高分（最高84%，现有方法为76%）。在简单问答任务上，现有方法HippoRAG2表现更好，但在需要整合大范围上下文的生成任务上，RAGU实现了反超。

另一个有趣发现来自多跳QA（需要串联多个信息才能作答的问题）测试中观察到的假象。使用原生生成提示时，现有方法看起来完胜，但原因只是回答格式差异：正确答案是短文，RAGU的回答却更容易变长。

统一要求回答简洁后，在BioASQ基准测试上RAGU以微弱优势反超（72.9对72.4），在2WikiMultiHopQA上的差距也从19.3个百分点缩小到了5.5个百分点。

RAGU可以在单GPU上运行，处理单份文档成本仅0.001美元，是使用商业API的现有方法（单文档0.10美元）的百分之一。目前已经以MIT许可证开源，可通过pip install graph_ragu安装。