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)。
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
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
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。