技術原理の違い
GraphGenは以下を使用する。知識の蒸留＋アクティブ・ラーニングを達成するために、ソース知識を構造化グラフにコンパイルした後、トレーニングデータを生成するパラダイム。モデルパラメータレベルでの知識固め.対照的に、RAG（Retrieval Augmented Generation）は、モデルのパラメータを変えずに、外部データベースのリアルタイム検索に依存する。
性能特性の比較
- 応答性RAGはリアルタイムのクエリに適しているが、GraphGenはフロントエンドのトレーニングが必要。
- ナレッジ・アップデートRAGは知識ベースを修正することで更新できるが、GraphGenはモデルに合わせて微調整する必要がある。
- 知識の内面化GraphGenは複雑な推論（例えばマルチホップ・クイズ）をサポートできるが、RAGは検索されたセグメントの質によって制限される。
代表的なアプリケーション・シナリオ
GraphGenの方が適している：
- 右推理の深さ要求の多いシナリオ（例：アカデミックな小テスト）
– 制限されたネットワーク状況環境（例：エンドサイドの展開）
- 必要文体の一貫性アウトプット
そして、RAGは次のような問題に取り組んでいる。高周波アップデート知識（株式市場の相場など）と膨大なリファレンス・ドキュメントシーン
ベストプラクティスでは、この2つを組み合わせることを提案している。すなわち、GraphGenで基本的な能力を構築し、RAGで動的な情報を扱う。
この答えは記事から得たものである。GraphGen: 知識グラフを使って言語モデルを微調整し、合成データを生成するについて
