La investigación de Google demuestra que la fundamentación en grafos reduce las alucinaciones de LLM

¿Cómo la fundamentación en grafos reduce las alucinaciones de los LLM?\nLos modelos de lenguaje de gran tamaño suelen luchar con razonamientos de múltiples pasos y precisión factual cuando consultan conjuntos de datos complejos. En esta evaluación, que abarcó cinco grafos de conocimiento—DrugBank, NeuroSynth, Cognitive Atlas, Brain Map y GDPKG—los investigadores introdujeron un conjunto de consultas multinivel para medir la fiabilidad factual bajo parámetros fundamentados y no fundamentados.\nLa fundamentación en grafos actúa como un ancla estructural explícita. Al asociar los prompts de lenguaje natural con nodos verificados y aristas relacionales dentro del grafo, el LLM se ve restringido a generar solo entidades y relaciones que existen, evitando cadenas causales fabricadas. El estudio mostró un alto acuerdo entre anotadores (kappa de Cohen 0.781), lo que confirma que la recuperación estructurada elimina las alucinaciones tanto en tareas de simple recuperación como en consultas de múltiples saltos complejas.\n## ¿Superan los LLM de propósito general a los modelos especializados?\nUn hallazgo clave del estudio es que modelos de frontera como Gemini 2.0 Pro y GPT‑5.1 superan a modelos biomédicos especializados cuando se les proporciona la misma base de conocimiento estructurado. La escala de razonamiento y la capacidad de estos modelos de propósito general, combinada con la restricción de un grafo, les permite superar a modelos más pequeños que carecen de fundamentación.\n## Implicaciones para las empresas\nEl resultado valida las arquitecturas de tipo GraphRAG como estándar para aplicaciones críticas donde las alucinaciones son riesgosas. Al combinar LLM estadísticos con grafos determinísticos, las organizaciones pueden lograr razonamientos totalmente auditable y precisos en dominios regulados.