LiteSemRAG: Nuovo Framework LLM-Free per il Retrieval-Augmented Generation Basato su Grafi Efficace

Un nuovo articolo di ricerca introduce LiteSemRAG, un framework leggero progettato per il Retrieval-Augmented Generation basato su grafi che opera senza grandi modelli linguistici. L'approccio affronta le inefficienze computazionali dei sistemi esistenti eliminando la dipendenza dagli LLM sia durante le fasi di indicizzazione che di interrogazione, riducendo così il consumo di token e la latenza. LiteSemRAG costruisce un grafo semantico eterogeneo utilizzando embedding contestuali a livello di token, distinguendo esplicitamente tra rappresentazioni lessicali superficiali e significati semantici dipendenti dal contesto. Per gestire in modo robusto la polisemia, il framework implementa un meccanismo di costruzione dinamica di nodi semantici caratterizzato da aggregazione contestuale a livello di chunk e gestione adattiva delle anomalie. Durante l'elaborazione delle query, LiteSemRAG impiega un processo di recupero semantico in due fasi che integra la ponderazione del grafo di co-occorrenza. L'articolo, identificato come arXiv:2604.16350v1, è stato annunciato come abstract interdisciplinare. Il RAG basato su grafi ha dimostrato un potenziale significativo per migliorare il ragionamento multilivello e l'aggregazione strutturata delle evidenze, ma i framework precedenti comportavano costi computazionali elevati a causa della loro dipendenza dagli LLM.