Graph RAG против обычного RAG: как 2B-модель научили многоходовым рассуждениям

Автор YouTube-ролика наглядно сравнил обычный RAG (поиск по корпусу текстов) и RAG на графах. Задача — ответить на вопрос: «Кто должен подписать возврат клиенту на 800 фунтов в марте?». Информация разбросана по трём разным документам, и для ответа нужно выполнить многошаговое рассуждение (multi-hop reasoning).

Обычный RAG просто не смог собрать все фрагменты воедино — он лишь выдавал куски текста, не соединяя их логически. Графовый же RAG (graph RAG) построил связи между сущностями (сумма, месяц, подписант) и позволил LLM с всего 2 миллиардами параметров корректно вывести ответ. Это доказывает, что графовое представление знаний может резко повысить рассуждательные способности даже самых компактных моделей.