RAG / 检索增强生成

SPD-RAG: Sub-Agent Per Document Retrieval-Augmented Generation

SPD-RAG：基于文档的子代理检索增强生成

Yagiz Can Akay, Muhammed Yusuf Kartal, Esra Alparslan, Faruk Ortakoyluoglu, Arda Akpinar

机构 * TOBB University of Economics and Technology（托布大学经济与技术学院） ； OSTIM Technical University（OSTIM技术大学） 纠错

专题命中 检索器与排序 ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 SPD-RAG通过文档级子代理和集中融合提升多文档问答性能，实现高效检索与生成。

Comments 12 pages

Retrieval Pivot Attacks in Hybrid RAG: Measuring and Mitigating Amplified Leakage from Vector Seeds to Graph Expansion

混合RAG中的检索偏置攻击：衡量和缓解从向量种子到图扩展的放大泄露

Scott Thornton

专题命中 检索器与排序 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；hybrid retrieval(abstract)；分类 cs.IR

AI总结 混合RAG中检索偏置攻击通过实体链接导致敏感数据泄露，通过强制图扩展边界授权可有效缓解该问题。

Comments 18 pages, 5 figures

Position: LLMs Must Use Functor-Based and RAG-Driven Bias Mitigation for Fairness

位置：LLMs必须使用基于函子和RAG驱动的偏见缓解以实现公平性

Ravi Ranjan, Utkarsh Grover, Agorista Polyzou

机构 * Knight Foundation School of Computing and Information Sciences（骑士基金会计算与信息科学学院） ； Florida International University（佛罗里达国际大学） ； College of Engineering（工程学院） ； University of South Florida（佛罗里达州立大学） 纠错

专题命中 检索器与排序 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出通过范畴论转换和RAG结合的方法，解决LLMs中的偏见问题，以实现公平性。

Comments 24 pages, 3 figures

Journal ref Review available from NeurIPS 2025 reviwers

Benchmarking Large Language Models for Quebec Insurance: From Closed-Book to Retrieval-Augmented Generation

魁北克保险领域大型语言模型基准测试：从闭卷到检索增强生成

David Beauchemin, Richard Khoury

机构 * Group for Research in Artificial Intelligence of Laval University (GRAIL)（拉瓦尔大学人工智能研究组） 纠错

专题命中 检索器与排序 ：retrieval-augmented generation(title,abstract)；RAG(abstract)；分类 cs.CL

AI总结 本文提出AEPC-QA基准测试，评估51个LLM在魁北克保险领域的闭卷和检索增强生成性能，揭示推理、RAG效果及专业化悖论等关键发现。

Comments Publish at the Advances in Financial AI: Towards Agentic and Responsible Systems Workshop @ ICLR 2026

Retrieval-Augmented Generation for Predicting Cellular Responses to Gene Perturbation

增强检索生成用于预测细胞对基因扰动的响应

Andrea Giuseppe Di Francesco, Andrea Rubbi, Pietro Liò

机构 * Sapienza University of Rome（罗马萨皮恩扎大学） ； ISTI-CNR（意大利国家研究委员会信息科学与技术研究所） ； University of Cambridge（剑桥大学） ； Wellcome Sanger Institute（wellcome桑格研究所） 纠错

专题命中 检索器与排序 ：retrieval-augmented generation(title,abstract)；RAG(abstract)；分类 cs.IR

AI总结 PT-RAG通过细胞类型感知的可微检索增强生成，提升预测细胞对基因扰动响应的性能。

Comments Accepted at ICLR 2026 Workshop: Generative AI in Genomics. 25 pages, 9 figures

Retrieving Minimal and Sufficient Reasoning Subgraphs with Graph Foundation Models for Path-aware GraphRAG

基于图基础模型的路径感知图RAG中最小和充分推理子图检索

Haonan Yuan, Qingyun Sun, Junhua Shi, Mingjun Liu, Jiaqi Yuan, Ziwei Zhang, Xingcheng Fu, Jianxin Li

专题命中 检索器与排序 ：retrieval-augmented generation(abstract)；retriever(abstract)；分类 cs.IR

AI总结 本文提出GFM-Retriever，通过图基础模型实现路径感知的子图检索，提升多跳问答任务的检索与生成性能。

A Component-Based Survey of Interactions between Large Language Models and Multi-Armed Bandits

基于组件的大型语言模型与多臂老虎机交互调研

Siguang Chen, Chunli Lv, Miao Xie

机构 * College of Information and Electrical Engineering, China Agricultural University, Beijing 100083, China（信息与电气工程学院，中国农业大学，北京） ； Key Laboratory of Agricultural Machinery Monitoring and Big Data Application, Ministry of Agriculture and Rural Affairs, Beijing 100083, China（农业机械监测与大数据应用重点实验室，农业农村部，北京） 纠错

专题命中 检索器与排序 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL

AI总结 本文调研了大型语言模型与多臂老虎机在组件层面的双向交互，分析了两者在解决对方挑战中的协同作用及未来研究方向。

Comments 25 pages, 6 table

Multi-Agentic AI for Conflict-Aware rApp Policy Orchestration in Open RAN

多智能体AI用于冲突感知的rApp策略编排在开放RAN中

Haiyuan Li, Yulei Wu, Dimitra Simeonidou

专题命中 检索器与排序 ：retrieval-augmented generation(abstract)；RAG(abstract)

AI总结 本文提出多智能体AI框架，用于实现开放RAN中冲突感知的rApp策略自动生成与编排，实验表明其在部署准确性和推理成本上有显著提升。

Unified Multi-Modal Interactive & Reactive 3D Motion Generation via Rectified Flow

通过修正流实现统一的多模态交互与反应3D运动生成

Prerit Gupta, Shourya Verma, Ananth Grama, Aniket Bera

机构 * Department of Computer Science Purdue University（计算机科学系 哈佛大学） 纠错

专题命中 检索器与排序 ：retrieval-augmented generation(abstract)；RAG(abstract)

AI总结 DualFlow通过修正流实现多模态双人运动生成，提升运动质量与节奏同步性。

Comments Under review at ICLR 2026

AgentIR: Reasoning-Aware Retrieval for Deep Research Agents

AgentIR: 为深度研究代理设计的推理感知检索

Zijian Chen, Xueguang Ma, Shengyao Zhuang, Jimmy Lin, Akari Asai, Victor Zhong

机构 * University of Waterloo（滑铁卢大学） ； University of Queensland（昆士兰大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 检索器与排序 ：retriever(abstract)；分类 cs.CL

AI总结 AgentIR通过结合推理轨迹与查询的联合嵌入和数据合成方法，提升深度研究代理的检索性能，实现68%的准确率。

YAQIN: Culturally Sensitive, Agentic AI for Mental Healthcare Support Among Muslim Women in the UK

YAQIN：面向英国穆斯林女性的文化敏感、代理型AI心理健康支持系统

Yasmin Zaraket, Céline Mougenot

机构 * Dyson School of Design Engineering, Imperial College London（帝京理工学院伦敦校区设计工程学院） 纠错

专题命中 检索器与排序 ：retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 YAQIN通过整合伊斯兰心理学和用户中心设计，为英国穆斯林女性提供文化敏感的AI心理健康支持，提升信任与治疗效果。

AutoDataset: A Lightweight System for Continuous Dataset Discovery and Search

AutoDataset: 一个轻量级的连续数据集发现与搜索系统

Junzhe Yang, Xinghao Chen, Yunuo Liu, Zhijing Sun, Wenjin Guo, Xiaoyu Shen

专题命中 检索器与排序 ：retriever(abstract)；分类 cs.IR

AI总结 AutoDataset通过自动化实时监控arXiv，实现数据集的快速发现与检索，显著提升数据集发现效率。

Comments 10 pages, 4 figures. Source code is available at https://github.com/EIT-NLP/AutoDataset. Screencast video: https://youtu.be/_QSxHKyIYns

vLLM Hook v0: A Plug-in for Programming Model Internals on vLLM

vLLM Hook v0: 一种用于编程vLLM内部模型的插件

Ching-Yun Ko, Pin-Yu Chen

机构 * IBM Research（IBM研究院） 纠错

专题命中 检索器与排序 ：RAG(abstract)；分类 cs.CL

AI总结 vLLM Hook v0 提供了一种插件，用于编程vLLM模型的内部状态，支持被动和主动编程，以增强模型的可编程性和功能。

Learning Hierarchical Knowledge in Text-Rich Networks with Taxonomy-Informed Representation Learning

在文本丰富网络中学习层次化知识：基于分类学的表示学习

Yunhui Liu, Yongchao Liu, Yinfeng Chen, Chuntao Hong, Tao Zheng, Tieke He

机构 * State Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室） ； Nanjing University（南京大学） ； Ant Group（蚂蚁集团） 纠错

专题命中 检索器与排序 ：retrieval-augmented generation(abstract)

AI总结 TIER通过构建隐含层次分类学并整合到节点表示中，提升文本丰富网络的层次化知识学习能力，实现更可解释的结构化建模。

Comments Accepted by KDD 2026. Extended version coming soon

LeJOT-AutoML: LLM-Driven Feature Engineering for Job Execution Time Prediction in Databricks Cost Optimization

LeJOT-AutoML：基于LLM的特征工程用于Databricks成本优化中的作业执行时间预测

Lizhi Ma, Yi-Xiang Hu, Yihui Ren, Feng Wu, Xiang-Yang Li

机构 * University of Science and Technology of China（中国科学技术大学） ； Lenovo（联想） 纠错

专题命中 检索器与排序 ：retrieval-augmented generation(abstract)

AI总结 LeJOT-AutoML利用LLM驱动的AutoML框架，通过动态生成特征提升Databricks作业执行时间预测的准确性，从而实现成本优化。

Evaluating Multi-Agent LLM Architectures for Rare Disease Diagnosis

评估多智能体LLM架构在罕见病诊断中的表现

Ahmed Almasoud

专题命中 检索器与排序 ：knowledge retrieval(abstract)

AI总结 本研究评估了多智能体LLM架构在罕见病诊断中的表现，发现分层结构略优于其他拓扑，而对抗模型性能显著下降，支持动态拓扑选择的重要性。

A Systematic Investigation of Document Chunking Strategies and Embedding Sensitivity

文档分块策略与嵌入敏感性系统性研究

Muhammad Arslan Shaukat, Muntasir Adnan, Carlos C. N. Kuhn

机构 * Open Source Institute（开源研究所） ； Faculty of Science and Technology（科学与技术学院） ； University of Canberra（堪培拉大学） 纠错

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.CL、cs.AI

AI总结 本文系统研究了文档分块策略与嵌入敏感性，发现内容感知分块显著提升检索效果，段落分组分块在多个领域表现最优。

Decomposition-Driven Multi-Table Retrieval and Reasoning for Numerical Question Answering

基于分解的多表检索与推理用于数值问题回答

Feng Luo, Hai Lan, Hui Luo, Zhifeng Bao, Xiaoli Wang, J. Shane Culpepper, Shazia Sadiq

专题命中 知识库问答 ：retriever(abstract)；分类 cs.DB

AI总结 本文提出DMRAL框架，通过构建表关系图和子问题引导推理器，有效解决大规模表集合中的多表检索与推理问题，提升答案准确性。

Comments This is the technical report for the ICDE 2026 paper

Hit-RAG: Learning to Reason with Long Contexts via Preference Alignment

通过偏好对齐学习长上下文的推理

Junming Liu, Yuqi Li, Shiping Wen, Zhigang Zeng, Tingwen Huang

机构 * Tongji University（同济大学） ； The City University of New York（纽约城市大学） ； University of Technology Sydney（悉尼大学） ； Huazhong University of Science and Technology（华中科技大学） ； Shenzhen University of Advanced Technology（深圳先进技术大学） 纠错

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 Hit-RAG通过多阶段偏好对齐框架解决长上下文推理中的注意力稀释和幻觉问题，提升模型在长上下文场景下的推理能力。

Comments 21 pages, 2 figures, 6 tables

Understand Then Memory: A Cognitive Gist-Driven RAG Framework with Global Semantic Diffusion

理解然后记忆：一种基于认知概要的RAG框架与全局语义扩散

Pengcheng Zhou, Haochen Li, Zhiqiang Nie, JiaLe Chen, Qing Gong, Weizhen Zhang, Chun Yu

专题命中 图谱与结构化RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 CogitoRAG通过模拟人类认知记忆过程，利用语义概要提取与全局语义扩散机制，提升复杂知识整合与推理能力。

HDLxGraph: Bridging Large Language Models and HDL Repositories via HDL Graph Databases

HDLxGraph: 通过HDL图数据库连接大型语言模型和HDL仓库

Pingqing Zheng, Jiayin Qin, Fuqi Zhang, Niraj Chitla, Zishen Wan, Shang Wu, Yu Cao, Caiwen Ding, Yang, Zhao

专题命中 图谱与结构化RAG ：retrieval augmented generation(abstract)；RAG(abstract)；分类 cs.CL

AI总结 HDLxGraph通过整合HDL图特性与RAG，提升LLM在HDL任务中的搜索、调试和完成准确率。

SoK: Agentic Retrieval-Augmented Generation (RAG): Taxonomy, Architectures, Evaluation, and Research Directions

SoK：基于代理的检索增强生成（RAG）：分类、架构、评估及研究方向

Saroj Mishra, Suman Niroula, Umesh Yadav, Dilip Thakur, Srijan Gyawali, Shiva Gaire

机构 * University of North Dakota（北达科他大学） ； Youngstown State University（青年州大学） ； University of Toledo（托莱多大学） ； University of Missouri（密苏里大学） ； Tribhuvan University（特里布文大学） 纠错

专题命中 RAG评测 ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 本文系统化地分析了基于代理的RAG系统，提出统一框架，识别关键风险并提出研究方向，以构建可靠可扩展的自主检索生成系统。

KohakuRAG: A simple RAG framework with hierarchical document indexing

KohakuRAG：一种具有层次文档索引的简单RAG框架

Shih-Ying Yeh, Yueh-Feng Ku, Ko-Wei Huang, Buu-Khang Tu

机构 * National Tsing Hua University ； Comfy Org Research ； Kohaku-Lab 纠错

专题命中 RAG评测 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；dense retrieval(abstract)；分类 cs.CL

AI总结 KohakuRAG通过层次文档索引和集合推理技术，提升了检索增强生成系统在高精度引用任务中的性能，取得挑战赛第一名。

Comments 38pages

NC-Bench: An LLM Benchmark for Evaluating Conversational Competence

NC-Bench: 一个评估大型语言模型对话能力的LLM基准

Robert J. Moore, Sungeun An, Farhan Ahmed, Jay Pankaj Gala

机构 * Independent Researcher（独立研究者） ； IBM Research（IBM研究院） 纠错

专题命中 RAG评测 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

AI总结 NC-Bench提出了一种评估大型语言模型对话能力的基准，通过三种不同集合测试模型在不同对话任务中的表现，发现模型在基础回答任务表现较好，但在复杂多轮请求上面临挑战。

Comments 8 pages, 1 figure, 2 tables

BRIDGE: Benchmark for multi-hop Reasoning In long multimodal Documents with Grounded Evidence

BRIDGE: 多跳推理长多模态文档基准测试与证据 grounded

Biao Xiang, Soyeon Caren Han, Yihao Ding

机构 * The University of Melbourne（墨尔本大学） ； The University of Western Australia（西澳大学） 纠错

专题命中 RAG评测 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL

AI总结 BRIDGE是一个针对长多模态文档的多跳推理基准测试，通过显式的多跳推理注释揭示证据聚合和 grounding 的系统性缺陷。

Neuro-Symbolic Financial Reasoning via Deterministic Fact Ledgers and Adversarial Low-Latency Hallucination Detector

通过确定性事实账本和对抗性低延迟幻觉检测器实现神经符号金融推理

Pedram Agand

机构 * FactAI Lab（FactAI实验室） 纠错

专题命中 RAG评测 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.AI

AI总结 本文提出VeNRA，通过确定性事实账本和对抗性检测器实现零幻觉金融推理，结合确定性执行和高效检测机制，显著降低幻觉率并提升推理可靠性。

Comments 21 pages, 8 figures, 7 tables

Know When You're Wrong: Aligning Confidence with Correctness for LLM Error Detection

知何时错误：将置信度与正确性对齐以用于LLM错误检测

Xie Xiaohu, Liu Xiaohu, Yao Benjamin

机构 * Alexa AI, Amazon, Seattle, WA, USA（Alexa AI，亚马逊，西雅图，华盛顿州） 纠错

专题命中 RAG评测 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL

AI总结 本文提出归一化置信度分数和自我评估框架，通过SFT提升LLM置信度可靠性，减少校准误差，提升错误检测效果。

InterMind: Doctor-Patient-Family Interactive Depression Assessment Empowered by Large Language Models

InterMind：由大型语言模型赋能的医生-患者-家庭交互式抑郁症评估系统

Zhiyuan Zhou, Jilong Liu, Sanwang Wang, Shijie Hao, Yanrong Guo, Richang Hong

专题命中 RAG评测 ：retrieval-augmented generation(abstract)；RAG(abstract)

AI总结 InterMind利用大型语言模型，通过医生、患者和家庭的互动提升抑郁症评估的精确性和效率。

Comments Accepted at ACM Multimedia 2025