SPRIG: CPU-basierte Graphsuche für Multi-Hop-Fragen ohne GPU
Die neue Methode SPRIG (Seeded Propagation for Retrieval In Graphs) ermöglicht GraphRAG-Systeme ohne GPU und ohne Token-Kosten. Im Gegensatz zu bisherigen Ansätzen, die auf teure LLM-basierte Graphkonstruktionen und GPU…
- Die neue Methode SPRIG (Seeded Propagation for Retrieval In Graphs) ermöglicht GraphRAG-Systeme ohne GPU und ohne Token-Kosten.
- Im Gegensatz zu bisherigen Ansätzen, die auf teure LLM-basierte Graphkonstruktionen und GPU-intensiven Inferenzschritten setzen, nutzt SPRIG leichtgewichtige NER-gesteue…
- Dadurch arbeitet die Pipeline linear in der Zeit und ausschließlich auf der CPU.
Die neue Methode SPRIG (Seeded Propagation for Retrieval In Graphs) ermöglicht GraphRAG-Systeme ohne GPU und ohne Token-Kosten.
Im Gegensatz zu bisherigen Ansätzen, die auf teure LLM-basierte Graphkonstruktionen und GPU-intensiven Inferenzschritten setzen, nutzt SPRIG leichtgewichtige NER-gesteuerte Co‑Occurrence‑Graphen und setzt auf Personalized PageRank (PPR). Dadurch arbeitet die Pipeline linear in der Zeit und ausschließlich auf der CPU.
In Experimenten konnte SPRIG die Genauigkeit bei Multi‑Hop‑Frage‑Antworten um 28 % steigern, während die Recall@10‑Werte nahezu unverändert blieben. Die Ergebnisse zeigen, wann CPU‑freundliche Graphsuche die Multi‑Hop‑Erinnerung verbessert und wann starke lexikalische Hybride (RRF) ausreichen.
Damit bietet SPRIG einen realistischen Weg, GraphRAG für breitere Anwender zugänglich zu machen – ohne Token‑Kosten und ohne GPU‑Anforderungen.
Welche Linse du auf diese Meldung legen solltest
Dieses Thema ist relevant, weil es zeigt, wie sich KI-Produkte, Modelle oder Rahmenbedingungen in der Praxis verschieben.
Achte zuerst darauf, was sich fuer Nutzer, Builder oder Unternehmen konkret veraendert und ob daraus ein nachhaltiger Trend entsteht.