知识图谱（例如 Microsoft 的Graph RAG）增强了 RAG 方法，但构建成本高昂。Triplex 可将知识图谱创建成本降低 98%，性能优于 GPT-4，成本仅为 GPT-4 的 1/60。
并且可以使用 SciPhi 的 R2R 框架快捷构建本地图谱。
▲ 知识图谱结构图解
Triplex 是 SciPhi.AI 开发的 Phi3-3.8B 的微调版本，用于从非结构化数据创建知识图谱。它的工作原理是从文本或其他数据源中提取三元组（由主语、谓语和宾语组成的简单语句）。
一、GraphRAG 与 Triplex
知识图谱擅长回答传统搜索方法通常难以回答的查询，尤其是人口级关系查询。例如，“提供一份就读技术学校的 AI 员工名单”。微软发布 GraphRAG 后，人们对知识图谱的兴趣愈演愈烈。
但是，知识图谱构建过程传统上非常复杂且资源密集，限制了其广泛应用。最近的估计表明，微软的 GraphRAG 程序成本特别高，要求为每个输入标记生成至少一个输出标记。这种高成本使其对于大多数应用程序来说不切实际。
Triplex 的目标是通过将知识图谱的生成成本降低十倍来彻底颠覆这一模式。这一成本降低是通过 Triplex 将非结构化文本转换为“语义三元组”——知识图谱的构建块——的有效方法实现的。
为了演示 Triplex 如何创建这些图谱，观察一下它如何处理简单的句子：
对于更复杂的输入：
性能测量表明，Triplex 在成本和性能方面明显优于 gpt-4o。
准确度比较
价格比较
Triplex模型实现了与 GPT-4 相当的结果，但成本却仅为其一小部分。Triplex 的模型尺寸更小，并且无需少量样本上下文即可运行，因此成本显著降低。
在 SFT 模型的基础上，Triplex使用多数投票和拓扑排序生成了额外的基于偏好的数据集，以进一步使用 DPO 和 KTO 训练 Triplex。这些额外的训练步骤显著提高了模型性能。
为了准确评估这些细微的增强，他们使用 Claude-3.5 Sonnet 进行了严格的评估。Triplex的评估涉及三个模型之间的直接比较：triplex-base、triplex-kto 和 GPT-4o。结果如下表所示：
Triplex 的出色表现源于对多样化和综合性数据集的广泛训练。Triplex模型利用了来自权威来源（例如 DBPedia 和 Wikidata）以及基于网络的文本来源和合成生成的数据集生成的专有数据集。
这一广泛的基础确保了 Triplex 在各种应用中的多功能性和稳健性。
用法
开发团队设计了R2R RAG 引擎，并与Neo4J一起，以便立即利用 Triplex 进行本地知识图谱构建，这一用例现在由于这项工作才变得更加可行。在此处：https://kg.sciphi.ai/直接试用Triplex。
▲ Triplex 演示站点
二、使用 R2R 构建和使用知识图谱（Triplex）
R2R 提供灵活而强大的配置系统，可定制您的检索增强生成 (RAG) 应用程序。
它是一个完整的平台，可帮助你快速构建和启动可扩展的 RAG 解决方案。R2R 围绕简单的RESTful API构建，易于使用且可快速实施。
R2R构建知识图谱是使用新发布的Triplex 模型与本地系统一起创建的
他还支持本地Ollama，你必须在本地拥有 Triplex 模型。将其拉出并刷新其他相关模型，然后启动 Ollama 服务器
