GraphRAG提速新思路E^2GraphRAG及DeepResearch Bench评估结果

正文

请到「今天看啥」查看全文

1、在DRAs类别中，Gemini-2.5-Pro Deep Research在RACE框架上展示了领先的整体性能。OpenAI Deep Research在遵循指令（INST）维度上表现出色。

2、Gemini-2.5-Pro Deep Research在其最终报告中平均有效引用数为111.21，显著优于其他模型。

3、引用准确率方面，Perplexity Deep Research的表现优于Gemini-2.5-Pro Deep Research和OpenAI Deep Research。

二、E^2GraphRAG提速思路

回到GraphRAG问题，看个新思路。

GraphRAG通过构建层次化实体图来支持全局查询，但存在高索引成本的问题；

RAPTOR通过递归聚类和总结文档构建层次化摘要树，但忽略了原始文档的上下文流；

LightRAG通过简化实体和关系的提取过程来提高效率，但仍需LLM生成复杂的JSON格式输出。

所以， 可以在索引阶段构建一个摘要树和一个实体图，并在检索阶段设计一个自适应检索策略 ，利用图结构动态选择局部或全局查询模式，这就是《E^2GraphRAG: Streamlining Graph-based RAG for High Efficiency and Effectiveness》(https://arxiv.org/pdf/2505.24226)的方案。

先说结果：

在效率上， E2GraphRAG在索引阶段的效率最高，比GraphRAG快10倍，比RAPTOR快约2倍 。在检索阶段，E2GraphRAG比LightRAG快100倍，比GraphRAG的本地模式快约10倍。

在效果上， E2GraphRAG在效果上与GraphRAG相当，在某些数据集上甚至表现更好

请到「今天看啥」查看全文