超图增强RAG框架

幻觉平均降12.3%

引入超图结构捕捉医学知识中的高阶关联，在6种大模型和9个数据集上均显著提升回答准确性并有效抑制幻觉。

胡浩 · 应时辉 · Li, Junchang · 杜少毅 · 郑南宁 · 胡晗 · 高跃

Nature Communications 2026

参数信息

准确率提升（相对直接使用LLM）

12.3 %

较GraphRAG的性能提升

6.3 %

较LightRAG的性能提升（NeurologyCrop）

6.0 %

较LightRAG的性能提升（9个数据集）

35.5 %

检索速度提升倍数（Hyper-RAG-Lite）

2 x

性能提升（Hyper-RAG-Lite较LightRAG）

3.3 %

技术优势

准确性显著提升

在NeurologyCrop数据集上，相对直接使用LLM平均准确率提升12.3%，尤其在医疗问答场景下效果明显。

全面超越现有图增强方法

同时优于GraphRAG和LightRAG，分别高出6.3和6.0个百分点，说明超图建模比普通图更有效。

复杂查询下性能不衰减

即使查询复杂度增加，Hyper-RAG的性能保持稳定，而现有方法性能下降，因此更适合真实场景中的复杂问题。

轻量且更快

轻量版Hyper-RAG-Lite将检索速度提升一倍，同时还带来3.3%的性能增益，便于资源受限环境部署。

应用场景

• 医疗大模型：减少医疗大模型幻觉，保障诊断建议的可靠性。
• RAG系统：作为即插即用的检索增强模块，提升现有RAG系统的准确率。
• 临床决策支持：为临床决策提供更可信的医学知识检索结果，降低误诊风险。
• 知识图谱增强：用超图增强知识图谱的关联表达，捕捉高阶关系。
• 多模态问答：在涉及多模态信息的问答中也能保持稳定性能。