行业资讯
清华西交大联手登上Nature子刊：Hyper-RAG用超图计算将大模型幻觉降低48%
← 行业趋势大语言模型LLM落地最大的拦路虎是什么不是算力不够、不是参数量不够大而是幻觉hallucination——模型一本正经地胡说八道。2026年5月清华大学软件学院高跃团队联合西安交通大学郑南宁院士团队在Nature Communications上发表了一项突破性工作——Hyper-RAG将超图计算引入检索增强生成RAG将大模型幻觉压制到了新的低点。RAG的经典思路是先检索相关知识再让LLM基于检索结果生成回答。但问题是——怎么组织这些知识方法知识建模方式局限传统RAG无结构化直接检索文本块丢失知识间关联GraphRAG图结构仅捕捉成对关系无法刻画多实体高阶关联LightRAG双层知识图谱局部全局同GraphRAG仅支持两两关系Hyper-RAG超图结构成对高阶关联完整覆盖全尺度知识关联现实世界的知识大多是高阶关联——一种疾病可能涉及多种因素共同作用、一条证据链可能串联多个实体。图和KG只能描述A和B有关但无法描述A、B、C、D同时相关的复杂模式。这就是现有RAG方法遇到天花板的原因。二、Hyper-RAG的核心创新用超图升维知识表示Hyper-RAG的核心思想简洁而优雅用超图hypergraph替代传统图。在超图中一条超边可以同时连接多个实体天然支持高阶关系的建模。流程分两阶段离线阶段——构建超图知识库收集领域语料使用LLM进行文本分割提取实体及其描述提取低阶关联E_low两两关系和高阶关联E_high多实体群组关系构建超图G {V, E_low, E_high}在线阶段——超图增强检索从用户查询中提取实体关键词和关联关键词从超图数据库中检索匹配实体和关联信息通过扩散机制扩展关联信息将检索到的全尺度知识作为先验注入LLM核心区别传统检索只告诉你哪些文本相关Hyper-RAG还告诉你这些实体之间有什么样的复杂互动模式。三、实验数据表现全面碾压在覆盖神经科学、病理学、法律、金融、农业等9个不同领域的数据集上Hyper-RAG给出了令人信服的答卷对比项Hyper-RAG vs 基线提升幅度vs 直接LLMNeurologyCrop准确率平均提升12.3%vs GraphRAG准确率提升6.3%vs LightRAG准确率提升6.0%vs LightRAG9领域平均综合性能提升35.5%幻觉错误率HER降低从0.16降至0.08-50%关键知识缺失率KMR降低—-60.7%错误传播系数α降低从0.59降至0.14-76%更厉害的是稳定性表现随着查询复杂度增加单阶段→两阶段→三阶段GraphRAG和LightRAG的准确率显著下降而Hyper-RAG保持稳定相对提升甚至从12.7%增加到15.0%。还有一个惊艳的指标当每个知识点涉及8个实体时传统图的覆盖率为0%完全无法表示而超图的覆盖率维持在50%——这直接证明了升维思考的必要性。四、轻量版Hyper-RAG-Lite速度翻倍依然更强论文还提出了一个轻量化变体Hyper-RAG-Lite仅检索节点信息不检索关系结构通过低阶和高阶关联的扩散机制间接利用高阶知识检索速度LightRAG的2倍性能提升仍比LightRAG高3.3%这意味着不需要更多算力也能获得更好的效果对于把RAG系统部署到实际生产环境的企业来说非常友好。五、对大模型微调行业的启示Hyper-RAG的成功至少传递了三个明确信号① RAG不是万能的知识表示才是关键。盲目堆文档、加检索但知识间的高阶关联全部丢失等于检索了但不理解。② “升维将在更多AI环节发挥作用。高跃团队已宣布下一步将把超图计算拓展到大模型预训练和微调环节目标是构建基于超图架构的世界基础模型。这对微调领域的数据工程和知识注入策略将产生深远影响。③ 幻觉治理正在从概率修补走向结构根治”。过去减少幻觉的思路是加大数据、加对齐训练、加拒答策略。Hyper-RAG证明在知识表示结构层面做文章远比在概率逼近上修修补补更高效。降低关键知识缺失60.7%、幻觉错误率接近砍半——这不仅是学术指标对金融、医疗、法律等高风险场景的大模型落地意味着真实可用性的关键跃升。参考文献Feng Y, Hu H, Ying S, et al. Hyper-RAG: combating LLM hallucinations using hypergraph-driven retrieval-augmented generation.Nature Communications, 2026, 17: 5778. DOI: 10.1038/s41467-026-71411-1代码仓库https://github.com/iMoonLab/Hyper-RAG
郑州网站建设
网页设计
企业官网
