匹配世界顶尖的多跳RAG系统，无需GPU，无需微调，只需pip install

# 匹敌全球顶尖的多跳RAG系统，无需GPU，无需微调，只需pip安装 来源：https://www.linkedin.com/pulse/matching-worlds-top-multi-hop-rag-systems-gpu-just-pip-geymonat-zbgxe Julian Geymonat (https://it.linkedin.com/in/julian-geymonat) ### Julian Geymonat 发表于 2026年6月19日 以下三个系统（HippoRAG 2、CoRAG、NeocorRAG）是目前最强的多跳问答框架之一。它们每一个都依赖GPU、微调或约束解码才能达到这一水平。 而MOTHRAG在F1分数上与它们并驾齐驱，同时完全运行在商用API调用之上。无需GPU，无需微调，无需约束解码，也没有非商业许可证限制。 系统 | 部署方式 | HotpotQA | 2Wiki | MuSiQue | 平均分 HippoRAG 2 | 离线图谱 + GPU | 75.5 | 71.0 | 48.6 | 65.0 CoRAG | 训练式检索 | 75.1 | 75.1 | 52.9 | 67.7 NeocorRAG | GPU约束解码 | 78.3 | 76.1 | 52.6 | 69.0 MOTHRAG（我们的）| 仅商用API | 78.1 | 76.3 | 50.5 | 68.3 在可商业部署的框架中平均F1最高，与受GPU限制的最先进技术相差不到0.7个点，并且在2Wiki上领先于它。重点不在于打败这些系统，而在于用它们的基础设施中任何一项都不需要的情况下达到同等水平。 部署方式就是pip安装加上API密钥： pip install mothrag from mothrag import MothRAG m = MothRAG.from_documents(["巴黎是法国的首都。", "埃菲尔铁塔在巴黎。"]) result = m.query("埃菲尔铁塔在哪个国家？") print(result.answer) print(result.confidence) 整个流程是完全模块化的。阅读器、嵌入器和检索判断器都可以在不重新训练的情况下互换，作为可选依赖安装：gemini/openai用于API阅读器和嵌入器，sentence-transformers用于本地嵌入回退，faiss用于超过10万到1000万个块规模的向量存储，retrieval用于经典的BM25/图谱功能，prod用于完整技术栈。 一个单标志的经济层级可以切换检索判断器，将每次查询成本从约$0.032降低到约$0.018，同时在HotpotQA和2Wiki上保持统计上的同等性能。 每个答案都采用证明树结构，因此你可以检查每一个推理步骤，并且论文中每个表格背后的每一次查询输出都已发布，供你验证数据。 欢迎就流程或判断器设计提问。 ## Julian Geymonat 的更多文章 ## 探索内容分类