331 375 токенов - столько в среднем съедает один global-запрос Microsoft GraphRAG по замерам GraphRAG-Bench (arXiv:2506.05690). Обычный векторный RAG на том же корпусе укладывается в 879. Разница - примерно 377 раз, и оплачивает её твой счёт за API.
Обидно другое: на простых фактических вопросах граф за эти деньги отвечает слабее - точность ниже, шума больше, скорость падает. Это показал первый бенчмарк, собранный специально под оценку графовых вариантов retrieval augmented generation, и впервые спор «граф или не граф» закрыт измерениями, а не верой.
Если ты строишь поиск по корпоративной базе знаний и примеряешь GraphRAG, этот разбор - про твой бюджет: где граф выигрывает, где вредит, сколько стоит и как проверить всё на своём корпусе за один вечер. Проверка обойдётся недорого, если модели доступны через один API: в provod.ai (российский OpenRouter) те же GPT и Claude подключаются сменой ключа и base_url, а счёт приходит в рублях. provod.ai - это агрегатор нейросетей для пользователей из России: все флагманы в одном чате и через единый API, оплата в рублях, без VPN.
Что такое retrieval augmented generation простыми словами?
Коротко: архитектура, в которой модель перед ответом идёт во внешнюю базу знаний, достаёт релевантные куски и строит ответ на них, а не на памяти весов. Термин retrieval augmented generation ввели Lewis и коллеги в статье 2020 года (NeurIPS): генератор соединили с непараметрической памятью - плотным векторным индексом Википедии.
Классическая схема проста: документы режутся на чанки, чанки получают векторы, ближайшие к запросу уходят в промпт. Никакой структуры - только похожесть текстов.
GraphRAG от Microsoft (Edge et al., 2024) идёт дальше: LLM проходит по корпусу и вытаскивает сущности и связи, из них строится граф знаний; граф режется на иерархические сообщества, для каждого генерируется summary - и система отвечает на глобальные вопросы вроде «о чём весь этот массив документов». Проект открыли в июле 2024, за четыре месяца он собрал больше 19 000 звёзд на GitHub.
Дальше случилась мода: «граф» стал синонимом «серьёзного RAG», и команды полезли переписывать работающие пайплайны. До июня 2025 не было единого бенчмарка, специально покрывающего GraphRAG и стадии пайплайна, хотя ранние оценки уже вышли у Han et al. и DIGIMON.
Что показал первый бенчмарк, собранный специально под GraphRAG?
Коротко: в июне 2025 вышел GraphRAG-Bench (Xiang et al., v3 - февраль 2026): корпуса дореволюционных романов с Project Gutenberg и медицинских гайдлайнов NCCN, задачи четырёх уровней сложности, метрики каждой стадии - качество графа, ретривал, генерация.
Уровни нарастают: Fact Retrieval (достать один факт), Complex Reasoning (соединить разнесённые факты), Contextual Summarize (свести контекст в сводку), Creative Generation. На каждом меряют точность ответа и Evidence Recall - нашла ли система куски текста, из которых ответ следует.
.
Запомни деталь: бенчмарк измеряет качество графа, ретривал и генерацию; среди метрик есть ACC и Evidence Recall. К противоречиям бенчмарков вернёмся.
Где графы в RAG вредят: три замера
Коротко: на простом фактическом поиске граф проигрывает по точности, на свежих запросах - ещё сильнее, а за скромный выигрыш на multi-hop платишь двукратной латентностью.
Замер первый, GraphRAG-Bench, корпус романов: обычный RAG с реранком набирает 60.92 точности против 49.29 у MS-GraphRAG, Evidence Recall - 83.21%. Вывод авторов сухой: на простых запросах графовая обработка добавляет избыточный и шумный контекст.
Замер второй, Han et al. (февраль 2025): GraphRAG уступает vanilla RAG на 13.4% точности на Natural Questions, а на time-sensitive запросах просадка достигает 16.6%. Причина частично банальна: в автопостроенном графе присутствуют лишь 65.8% сущностей-ответов из HotpotQA и 65.5% из Natural Questions - треть вопросов бьёт мимо графа ещё до рассуждения.
Замер третий, DIGIMON (Zhou et al., март 2025): графовый ретривал повышает глубину рассуждения на multi-hop вопросах HotpotQA лишь на 4.5%, но в среднем в 2.3 раза увеличивает латентность.
| Тип запроса | Кто выигрывает | Цифры | Источник |
|---|---|---|---|
| Простой факт, корпус романов | RAG с реранком | 60.92 против 49.29 у MS-GraphRAG | GraphRAG-Bench |
| Natural Questions | vanilla RAG | GraphRAG хуже на 13.4% точности | Han et al. |
| Time-sensitive запросы | vanilla RAG | просадка GraphRAG до 16.6% | Han et al. |
| Multi-hop, HotpotQA | граф, ценой скорости | +4.5% глубины рассуждения, латентность x2.3 | DIGIMON |
| Complex Reasoning, романы | HippoRAG2 | ACC 53.38 против 42.93 | GraphRAG-Bench |
Переворот - на уровнях 2-3: на Complex Reasoning HippoRAG2 даёт ACC 53.38 против 42.93, Evidence Recall 87.9-90.9%, самый высокий в тесте. Граф окупается, когда ответ собирается по кускам из разных концов корпуса.
Сколько токенов сжигает один global-запрос?
Коротко: по данным GraphRAG-Bench (раздел 4.4, корпус романов) средний промпт vanilla RAG - 879 токенов, HippoRAG2 - 1 008, local-режим MS-GraphRAG - 38 707, LightRAG - 100 832, global-режим - 331 375.
Это не абстракция. Каждый токен промпта оплачен по тарифу модели, и один global-запрос стоит как сотни обычных. Умножь на дневной трафик - и разговор про архитектуру станет разговором про бюджет.
Microsoft сам признал проблему: LazyGraphRAG (ноябрь 2024) убирает LLM-вызовы из индексации - она стоит 0.1% от полного GraphRAG, в тысячу раз дешевле, а global-запросы сопоставимого качества обходятся в 700 раз дешевле (5 590 статей AP). В свежем фреймворке Microsoft, на июль 2026, есть инкрементальная индексация (graphrag update, с v0.4.0): local добавляет к запросу 1-3 секунды, global - 8-15.
Академический ответ - LeanRAG (AAAI 2026): сущности агрегируются в иерархию, обход идёт через наименьшего общего предка, контекст на 46% компактнее без деградации ответа (UltraDomain, генератор DeepSeek-V3).
Шесть GraphRAG-вариантов 2026 года: какой для чего
Коротко: «GraphRAG» в 2026 году - это шесть разных архитектур с разной экономикой. Выбирать надо под тип своих запросов, а не по громкости названия. По состоянию на июль 2026 картина такая (числа - из первичных статей, ссылки в конце).
| Вариант | Идея | Главная цифра | Когда брать | Ограничение |
|---|---|---|---|---|
| MS GraphRAG (2024) | LLM-экстракция сущностей, иерархические сообщества, summary | 331 375 токенов на global-запрос | глобальные суммаризации по большому корпусу | токенная цена, global - 8-15 с |
| LazyGraphRAG (11.2024) | NLP-экстракция именных групп, LLM убрана из индексации | индексация - 0.1% стоимости полного GraphRAG | дешёвый старт, частые обновления корпуса | именные группы вместо полной LLM-экстракции |
| HippoRAG2 | граф с весами рёбер, зафиксированными на индексации | ACC 53.38 на Complex Reasoning | multi-hop поиск по фактам | статичные веса затягивают блуждание в хабы |
| LeanRAG (AAAI 2026) | иерархия сущностей, обход через наименьшего общего предка | контекст на 46% компактнее без потери качества | длинные ответы при лимите контекста | дополнительная агрегация при построении |
| Deep GraphRAG (01.2026) | трёхстадийный иерархический поиск + RL-дистилляция | Qwen2.5-1.5B держит 94%+ качества 72B (Natural Questions, 42.36% EM) | дешёвая генерация на маленькой модели | дистилляция - отдельный тренировочный проект |
| CatRAG (02.2026) | динамические веса рёбер под конкретный запрос | +18.7% к HippoRAG2 на HoVer, Joint Success 31.1% | цепочки фактчекинга | LLM-вызовы на взвешивание рёбер в рантайме |
За пределами таблицы - TagRAG и ParallaxRAG. Первая заменяет entity-граф цепочками объектных тегов: построение в 14.6 раза быстрее GraphRAG, поиск в 1.9 раза, win rate 78.36% против четырёх конкурентов на UltraDomain; плата - доменная таксономия заранее. Второй разводит запросы и триплеты по head-specific пространствам трансформера: WebQSP 78.80 Macro-F1 при 42 секундах против 948 у RoG.
Почему один бенчмарк хвалит графы, а другой ругает?
Коротко: потому что одни измерения сделаны вендорами графовых баз на своих корпусах, а другие - академическими командами по эталонным ответам. Читай методику до вывода.
Пример первого сорта: бенчмарк Diffbot/FalkorDB (апрель 2025) сообщает 56.2% точности с графом знаний против 16.7% без него на 43 корпоративных вопросах, а при более чем пяти сущностях в запросе без графа точность падает до нуля. Writer заявляет 86% у своего GraphRAG на RobustQA против 33-76% у конкурентов. Это vendor claims: корпуса маленькие, методика своя, интерес очевиден.
Вторая причина глубже. Оригинальная оценка Microsoft GraphRAG делалась через LLM-as-judge без эталонных ответов - такая схема завышает результаты. При оценке по ground truth community-based GraphRAG с global search в целом уступает стандартному RAG (разбор RIKER, январь 2026). Когда видишь красивую цифру, первый вопрос - кто судья.
Что GraphRAG не решает
Коротко: свежесть знаний, полноту экстракции, простые сценарии и скорость ответа.
- Time-sensitive запросы. Просадка 16.6% у Han et al.: граф строится на срезе корпуса, свежие факты в него ещё надо встроить.
- Неполнота графа. Около трети сущностей-ответов отсутствует в автопостроенном KG. Экстракция корпуса - это по сути data labeling всего массива одной моделью, со всеми её ошибками.
- Простой FAQ-бот или маленький корпус. Граф здесь чистый оверхед: векторный поиск с реранком отвечает точнее и дешевле.
- Realtime-чат. Global-запрос - это 8-15 секунд даже в свежем фреймворке Microsoft (июль 2026). Для живого диалога - вечность.
Нужен ли граф именно тебе: пять вопросов
Коротко: решение - функция от смеси твоих запросов. Преобладание простых фактов - лишь грубая эвристика: сравни на своих запросах качество, стоимость и латентность. Нужны цепочки и глобальные сводки: считай токены и бери граф.
Чек-лист:
- Какая доля запросов - простой поиск факта? Если большинство - граф вредит, см. таблицу выше.
- Нужны ли multi-hop цепочки «соедини факты из разных документов»? Если да - смотри HippoRAG2 или CatRAG.
- Нужны ли суммаризации «о чём весь корпус»? Если да - MS GraphRAG global или LazyGraphRAG.
- Есть ли готовая таксономия домена? Если да - TagRAG снимет большую часть стоимости построения.
- Какой бюджет на токены и какой лимит латентности? В GraphRAG-Bench средний промпт global-поиска - 331 375 токенов; в актуальном фреймворке Microsoft local добавляет к запросу 1–3 секунды, global - 8–15.
И главный совет, который не продаст ни один вендор: не верь ни этой статье, ни чужим бенчмаркам - прогони свой:
- Собери 100-200 реальных запросов из логов и разметь по типам: факт, цепочка, суммаризация.
- Зафиксируй метрики: точность, evidence recall, токены промпта, латентность.
- Прогони базовую линию - векторный RAG с реранком.
- Подними один графовый вариант (дешевле всего стартует LazyGraphRAG) и прогони тот же набор.
- Сравнивай по типам запросов, а не в среднем - среднее прячет переворот на сложных задачах.
Такой прогон заводится из России сменой двух строк: ключ и base_url на единый API provod.ai - совместим и с OpenAI-SDK (/v1/chat/completions), и с Anthropic (/v1/messages): экстракцию сущностей гоняй на дешёвой модели, финальные ответы - на сильной, модель меняется одной строкой в конфиге. Один баланс на эксперимент и прод, виден каждый токен.
Когда provod.ai не подходит
Коротко: когда задача - не доступ к моделям, а контур данных, обучение или проектирование пайплайна.
Если корпус нельзя отправлять во внешние API (медицина, гостайна, жёсткий периметр по 152-ФЗ) - строй локальный стек на своих моделях. Если нужен fine-tuning или on-prem - это контракт с вендором или интегратором. И выбор архитектуры - граф или векторы - provod.ai за тебя не сделает: сервис даёт модели и биллинг, решение по замерам принимаешь ты.
Словарик запросов кластера: что ещё ищут рядом с retrieval augmented generation
Коротко: поисковый кластер вокруг RAG смешивает тематические запросы с чужим шумом. Разбираем, что есть что - заодно видно, как поиск дезамбигуирует смысл; та же задача у retrieval внутри RAG.
- Мониторы и ТВ: «lg», «ultragear», «24g411a», «24gs60f», «27gn800», «27gx700a», «45gx950a» - линейка мониторов LG UltraGear и Алиса на телевизоре; «43u4128», «50u4125», «65u4139» - телевизоры Sber SDX с GigaChat.
- Мобильное железо: «snapdragon», «elite», «dimensity», «9500s», «qualcomm» - сравнения чипов «dimensity 9500s vs snapdragon 8 elite», а не языковых моделей.
- Опечатки и транслит: «deepspeek», «openia», «neiroseti», «standart» - ошибочные формы DeepSeek, OpenAI, «нейросети», standard; «ге» - обрывок «клод ге»; «бо» - чат «бо»; «лмстудио» - LM Studio, локальные модели.
- Локальный инференс: «hay», «lag», «lx» - обрывки про LLaMA («hay llamas», «lag llama», «llama m lx»); «hug» - из «qwen hug»; «thunderboltex», «transcriptions» - сборка llama.cpp и audio transcriptions; «gh» - «gh repo clone» для automatic1111.
- Видеогенераторы: «ao», «blood», «dm», «freitag», «keyframes», «lipsync» - запросы к Kling (фичи keyframes и lipsync); «о1», «днр», «мчс» - темы генераций («клинга о1», «клинга днр», «клинга мчс»); «toe» - «midjourney toe bot».
- Вокруг Gemini: «band» - приёмник «bayckrc dual band gemini rx»; «gem-08usb», «gem-12usb» - аудиоинтерфейсы; «s2x» - «gemini i s2x»; «mobileconfig» - DNS-конфиг «для геминь»; «gl» - «чат с персонаж gl».
- Музыка и мемы: «buba» - «sora ai buba vk»; «bum» - «suno ai bum bum»; «meme» - «grok meme»; «afro», «papaoutai» - «алиса, включи papaoutai afro soul»; «бом» - «тить тить бом»; «миа» - «песня миа боёк»; «соу» - «соу дигидг»; «хип» - «suno хип хоп»; «gaga» - «lady gaga»; «канди» - «канди вест»; «bang» - «ai cover bang»; «bsprod» - «морской ветер bsprod»; «compilation», «poets» - «ai russian poets covers compilation»; «fishaudio» - аудиогенератор.
- Переводы: «gefragt», «hast», «mich» - «du hast mich gefragt перевод», строчка Rammstein; «courageous» - «courageous перевод».
- Торренты: «tragtorr» - трекер из «tragtorr in torrent»; «pragmata» - игра Pragmata; «filmmaker» - «filmmaker ai профессия будущее».
- Картинки-генераторы: «gama» - нейросеть для презентаций; «geet», «raphael», «textpower», «unitol», «unitoll», «визарди» - названия из запросов «сгенерировать картинку»; «межзвездные» - «межзвездные корабли»; «ежика» - «голос ежика из смешариков»; «лем» - кусок «сәлем, алиса»; «пао» - генератор промтов.
- Поздравления и Алиса: «сестренка», «тетю» - «с днём рождения, сестренка» и «тетя» нейросетью; «сошел» - «алиса, я сошел с ума»; «путем» - «путем книга аудиокнига»; «актерское» - актерское портфолио нейросетью.
- Файлы и доступ: «assets», «mp» - «downloading server assets rage mp», игровые серверы; «yandexcloud» - файлохостинг storage yandexcloud net; «v2raytun» - VPN-утилита; «checkcoverage» - проверка iPhone на checkcoverage apple com.
- Другие retrieval: «conversion» - «rvc retrieval based voice conversion», клонирование голоса; retrieval есть, но про звук.
- Парфюм: «haute», «fragrance», «devil» - духи «haute fragrance company devil s intrigue».
Редкий сосед по теме: «Mistral», «devstral» - кодовая модель devstral от Mistral, настоящая LLM.
.Другие retrieval: «conversion» - «rvc retrieval based voice conversion», клонирование голоса; retrieval есть, но про звук.
provod.ai — ведущие видеомодели в одном рабочем контуре
Сравнивайте подходы и выбирайте генератор под ролик, бюджет и темп производства: команде не нужно заводить отдельный баланс и заново организовывать доступ для каждого видеопровайдера.
В одном каталоге — актуальные модели для текста и медиа: GPT от OpenAI, Claude от Anthropic, Gemini от Google, Grok от xAI, DeepSeek, Qwen, GLM, Kimi и MiniMax; для изображений — Nano Banana 2 Pro и GPT Image; для видео — последние версии Seedance, Kling, Veo и Google Omni. Также доступны модели для reasoning, поиска, документов, эмбеддингов, музыки и аудио.
Стоимость видео сохраняет официальный тариф 1:1: без собственной надбавки provod.ai за доступ к разным моделям.
Выберите видеомодель под свой сценарий: форма регистрации · цены на модели · защита данных по 152-ФЗ · главная provod.ai
FAQ
Коротко: пять ответов, не поместившихся в текст.
GraphRAG всегда сильнее обычного RAG?
Нет. На простых фактах он слабее и дороже: 60.92 против 49.29 в пользу векторного поиска с реранком (GraphRAG-Bench). Выигрыш начинается с multi-hop и суммаризаций - и его надо мерить на своём корпусе.
Во сколько реально обходится GraphRAG?
Global-запрос - в среднем 331 375 токенов против 879 у обычного RAG. LazyGraphRAG режет индексацию до 0.1% полной стоимости, а graphrag update (июль 2026) убирает перестройку графа при дельтах.
Корпус уже с классификацией - что брать?
TagRAG: теги вместо автовыделенных сущностей, построение в 14.6 раза быстрее GraphRAG, чистая инкрементальная вставка документов. Ограничение - таксономия нужна заранее.
Можно ли обойтись маленькой моделью?
Deep GraphRAG показывает: Qwen2.5-1.5B после RL-дистилляции достигает 94%+ качества 72B-интегратора на Natural Questions (42.36% EM). Но дистилляция - отдельный проект, не коробочная фича.
Что почитать по теме?
Книга Дэниса Ротмана «RAG-Driven Generative AI» (Packt, 2024, 334 страницы) - системный учебник; свежие цифры - в первичных статьях ниже.
Граф или не граф - теперь вопрос замера, а не моды. Если 80% твоих запросов - простой поиск фактов, граф тебе не нужен; если нужны цепочки рассуждений и глобальные сводки - платить придётся, и считать токены стоит заранее.
Честный trade-off: готов ли ты платить за global-запрос как за 377 обычных ради +4.5% глубины на multi-hop - или у тебя и таких запросов нет? Напиши в комментариях свою смесь запросов - поспорим, что выбрать.
Актуальный список моделей и цены в рублях - на provod.ai. Один баланс: индексируешь корпус на дешёвой модели, отвечаешь пользователям на сильной, условия оплаты, включая условия для юрлиц, уточняй у provod.ai.
Источники:
- Xiang et al. (GraphRAG-Bench) - https://arxiv.org/abs/2506.05690 (06.2025, v3 02.2026)
- Han et al. «RAG vs. GraphRAG» - https://arxiv.org/abs/2502.11371 (02.2025)
- Zhou et al. (DIGIMON) - https://arxiv.org/abs/2503.04338 (03.2025)
- Edge et al. «From Local to Global» - https://arxiv.org/abs/2404.16130 (04.2024)
- Lewis et al. (NeurIPS 2020) - https://arxiv.org/abs/2005.11401
- Microsoft Research: LazyGraphRAG - https://www.microsoft.com/en-us/research/blog/lazygraphrag-setting-a-new-standard-for-quality-and-cost/ (11.2024)
- Zhang et al. (LeanRAG, AAAI 2026) - https://arxiv.org/abs/2508.10391 (08.2025)
- Li et al. (Deep GraphRAG) - https://arxiv.org/abs/2601.11144 (01.2026)
- Lau et al. (CatRAG) - https://arxiv.org/abs/2602.01965 (02.2026)
- Tao et al. (TagRAG) - https://arxiv.org/abs/2601.05254 (10.2025, v3 05.2026)
- Liu et al. (ParallaxRAG) - https://arxiv.org/abs/2510.15552 (10.2025, v4 04.2026)
- FalkorDB (бенчмарк Diffbot) - https://www.falkordb.com/blog/graphrag-accuracy-diffbot-falkordb/ (04.2025)
- RIKER - https://arxiv.org/html/2601.08847v1 (01.2026)
- ailog.fr (гайд по GraphRAG) - https://app.ailog.fr/en/blog/guides/graphrag-knowledge-graphs (17.07.2026)
- Denis Rothman «RAG-Driven Generative AI», Packt, 334 с. (2024)
Top comments (0)