RAG 與檢索系統
GLM-RAG 把知識圖文字送入圖式 Transformer，跨領域多跳檢索優於 GNN 基線
GLM-RAG 讓節點、關係與問題在第一層注意力便共同互動，而非只靠圖距離傳播訊息。它在未見領域的多跳評測取得較佳結果，但單跳任務仍由普通向量 RAG 領先，程式與模型也尚未公開。
海德堡大學與 Aleph Alpha Research 提出 GLM-RAG，試圖補上兩類知識圖檢索器各自的缺口：向量搜尋懂文字相似度，卻容易漏掉跨文件推理鏈；GNN 能沿圖傳播，但若節點只以零向量初始化，排序往往主要受種子節點距離支配，沒有真正理解節點名稱與關係語義。
GLM-RAG 沿用 GFM-RAG 的知識圖建構、文件排序及答案生成流程，只替換核心檢索器。系統先從問題抽取種子實體，再取得局部子圖，把節點與邊標籤轉成文字 token。底層 T5 的注意力加入圖距離相對位置與結構遮罩，使每條三元組可像句子一樣處理，同時保留跨三元組共享節點的圖連結；問題向量與實體表示從第一層便融合，最後由 scoring head 排出相關節點，再映射回原始文件。
研究以 HotPotQA、2WikiMultihopQA 與 MuSiQue 的 28.2 萬組問題—文件配對微調檢索器，答案生成統一使用 GPT-4o mini；另在 11 個未見資料集測試遷移。跨 Wikipedia 資料集時，GLM-RAG 多數情況的 Recall@2 高於兩種 GNN 版本，例如只用 MuSiQue 訓練、轉測 HotPotQA 時取得 65.7，對照組為 59.4 與 60.3。它也在醫療與電腦科學 G-Bench 多跳任務取得官方所稱的新最佳結果。
對實作者更重要的結論是：Graph RAG 並非全面替代向量索引。七個單跳跨域資料集上，普通向量 RAG 全部領先圖式方法；GNN 也能以較低訓練成本覆蓋更大子圖。GLM-RAG 的優勢集中在需要語義判別的多跳路徑，代價則是局部子圖 token 化、T5 推論與圖建構成本。論文每項實驗只跑一次，部分 G-Bench 評分依賴 LLM 裁判，且程式、模型與資料仍標示為稍後發布；下一步應比較端到端延遲、索引更新成本及真正企業知識圖上的遷移能力。