PathRAG: Pruning Graph-based Retrieval Augmented Generation with Relational Paths (18 feb 2025 – Beijing, Hong Kong)
arXiv | GitHub
Keywords: Modelos de lenguaje grandes (LLMs), generación aumentada por recuperación (Retrieval-Augmented Generation - RAG), grafos de conocimiento, eficiencia
Descripción: Este trabajo presenta PathRAG, una metodología que mejora la generación aumentada por recuperación basada en grafos al centrarse en rutas relacionales clave dentro del grafo de indexación. A diferencia de enfoques anteriores que pueden introducir redundancia al considerar información amplia de comunidades o vecinos inmediatos, PathRAG utiliza una poda basada en flujo para identificar y recuperar rutas esenciales entre nodos relacionados con la consulta.
Retrieval-Augmented Systems Can Be Dangerous Medical Communicators (18 feb 2025 – MIT, Standford, Duke)
arXiv
Keywords: Modelos de lenguaje grandes (LLMs), generación aumentada por recuperación (Retrieval-Augmented Generation - RAG), comunicación médica, seguridad
Descripción: Este estudio analiza cómo los sistemas de generación aumentada por recuperación (RAG) pueden producir respuestas médicas que, aunque literalmente precisas y basadas en fuentes confiables, resultan pragmáticamente engañosas para los pacientes.
A Survey of Graph Retrieval-Augmented Generation for Customized Large Language Models (21 ene 2025 – Hong Kong Polytechnic)
arXiv | GitHub
Keywords: RAG, grafos
Descripción: Este artículo realiza un repaso sistemático de GraphRAG, una metodología que integra conocimientos estructurados en grafos para personalizar los LLMs (Large Language Models - Modelos de Lenguaje de Gran Tamaño), facilitando la recuperación y generación de información en dominios especializados.
Fact, Fetch, and Reason: A Unified Evaluation of Retrieval-Augmented Generation (24 ene 2025 – Harvard University, Google DeepMind, Meta)
arXiv | Hugging Face
Keywords: RAG, evaluación, razonamiento, recuperación de información
Descripción: Este artículo introduce FRAMES, un conjunto de evaluación diseñado para medir la precisión factual, la recuperación de información y la capacidad de razonamiento de los sistemas RAG (Retrieval-Augmented Generation). A diferencia de benchmarks previos que evalúan estos aspectos por separado, FRAMES proporciona un marco unificado que analiza el rendimiento de modelos de lenguaje en escenarios complejos de recuperación y generación de conocimiento. Los experimentos revelan que los modelos actuales tienen dificultades con tareas de razonamiento de múltiples pasos, destacando la importancia de mejorar la planificación de recuperación y la integración de información en sistemas RAG.
Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG (15 ene 2025 – Cleveland State University, The Davey Tree Expert Company, The MathWorks Inc, Northeastern University)
arXiv | GitHub
Keywords: Agentic RAG, LLMs, Multi-Agent Collaboration
Descripción: Este artículo revisa Agentic RAG, un enfoque que introduce agentes autónomos en los sistemas RAG, mejorando la recuperación, el razonamiento multiagente y la adaptabilidad dinámica.
Don’t Do RAG: When Cache-Augmented Generation is All You Need for Knowledge Tasks (20 dic 2024 – Taiwan)
arXiv
Keywords: Modelos de lenguaje grandes (LLMs), generación aumentada por recuperación (Retrieval-Augmented Generation - RAG), generación aumentada por caché (Cache-Augmented Generation - CAG), eficiencia
Descripción: Este trabajo propone la generación aumentada por caché (Cache-Augmented Generation - CAG) como una alternativa a la generación aumentada por recuperación (Retrieval-Augmented Generation - RAG) en modelos de lenguaje grandes. CAG implica precargar todos los recursos relevantes en el contexto extendido del modelo antes de la inferencia, eliminando la necesidad de recuperación en tiempo real.
LightRAG: Simple and Fast Retrieval-Augmented Generation (8 oct 2024 – Beijing, Hong Kong) nted Generation** (8 oct 2024 – Beijing, Hong Kong)
arXiv | GitHub
Keywords: Modelos de lenguaje grandes (LLMs), generación aumentada por recuperación (Retrieval-Augmented Generation - RAG), estructuras de grafos, eficiencia
Descripción: Este trabajo presenta LightRAG, un marco que incorpora estructuras de grafos en los procesos de indexación y recuperación de texto para mejorar los sistemas de generación aumentada por recuperación. El sistema emplea un mecanismo de recuperación de dos niveles que mejora la obtención de información tanto a nivel bajo como alto.
From Local to Global: A Graph RAG Approach to Query-Focused Summarization (24 abr 2024 – Microsoft)
arXiv
Keywords: Modelos de lenguaje grandes (LLMs), generación aumentada por recuperación (Retrieval-Augmented Generation - RAG), resumen orientado a consultas (Query-Focused Summarization - QFS), grafos de conocimiento (Knowledge Graphs)
Descripción: Este trabajo introduce Graph RAG, una metodología que combina la generación aumentada por recuperación con grafos de conocimiento para abordar tareas de resumen orientado a consultas en grandes colecciones de texto.
⚠️Awesome-GraphRAG (21 ene 2025 – Hong Kong Polytechnic) ⭐⭐⭐
GitHub
Descripción: Repositorio que recopila recursos y referencias sobre GraphRAG.
LightRAG: Simple and Fast Retrieval-Augmented Generation (8 oct 2024 – Beijing, Hong Kong)
GitHub
Descripción: Repositorio de LightRAG.
PathRAG: Pruning Graph-based Retrieval Augmented Generation with Relational Paths (18 feb 2025 – Beijing, Hong Kong)
GitHub
Descripción: Repositorio de PathRAG.