RAG / 检索增强生成

Open-Source Reproduction and Explainability Analysis of Corrective Retrieval Augmented Generation

开源重现与可解释性分析的纠正检索增强生成

Surya Vardhan Yalavarthi

机构 * College of Engineering and Applied Science University of Cincinnati（工程与应用科学学院 奥克兰大学） 纠错

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

AI总结 本文开源重现了纠正检索增强生成系统，用维基百科API替代谷歌搜索，并用Phi-3-mini-4k-instruct替代原模型，验证了性能相当，并分析了检索评估器的可解释性。

Comments 13 pages, 4 figures

Is Conformal Factuality for RAG-based LLMs Robust? Novel Metrics and Systematic Insights

基于RAG的LLM的符合事实性是否具有鲁棒性？新颖的度量和系统性洞察

Yi Chen, Daiwei Chen, Sukrut Madhav Chikodikar, Caitlyn Heqi Yin, Ramya Korlakai Vinayak

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 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 本文系统分析了RAG-based LLMs在符合事实性方面的可靠性与实用性，提出新的信息度量方法，发现高事实性水平导致输出空洞，符合事实性不鲁棒于分布偏移，轻量蕴含验证器更高效且表现优异。

Comments 56 pages

AGRAG: Advanced Graph-based Retrieval-Augmented Generation for LLMs

AGRAG: 面向大语言模型的高级图基检索增强生成框架

Yubo Wang, Haoyang Li, Fei Teng, Lei Chen

机构 * The Hong Kong University of Science（香港科学与技术大学） ； The Hong Kong Polytechnic University Hong Kong SAR（香港理工大学（香港特别行政区）） 纠错

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

AI总结 AGRAG通过统计方法构建图结构，解决LLM幻觉问题，并采用MCMI子图生成提升推理能力，实现更全面的推理路径，提升检索增强生成效果。

Comments ICDE 2026 Camera-ready

LLM-Driven Discovery of High-Entropy Catalysts via Retrieval-Augmented Generation

通过检索增强生成发现高效熵催化剂

AI Scientists, Xinyi Lin, Danqing Yin, Ying Guo

机构 * School of Biomedical Sciences, Li Ka Shing Faculty of Medicine, The University of Hong Kong（香港大学生物医学科学学院，利卡申医学学院） 纠错

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

AI总结 本文展示如何利用大语言模型加速催化剂发现，通过检索增强生成框架生成250多个候选催化剂，其中82%具有热力学稳定性，同时满足多目标约束，最佳催化剂在性能和成本上均有显著提升。

Journal ref Open Conference of AI Agents for Science 2025

Evo-Retriever: LLM-Guided Curriculum Evolution with Viewpoint-Pathway Collaboration for Multimodal Document Retrieval

Evo-Retriever：基于观点-路径协作的LLM引导课程进化多模态文档检索框架

Weiqing Li, Jinyue Guo, Yaqi Wang, Haiyang Xiao, Yuewei Zhang, Guohua Liu, Hao Henry Wang

机构 * Alibaba Cloud Computing（阿里巴巴云计算） 纠错

专题命中 检索器与排序 ：retriever(title,abstract)

AI总结 本文提出Evo-Retriever框架，通过LLM引导的课程进化和观点-路径协作提升多模态文档检索性能，实现在ViDoRe V2和MMEB数据集上达到SOTA水平。

Comments Accepted by CVPR2026

Toward Experimentation-as-a-Service in 5G/6G: The Plaza6G Prototype for AI-Assisted Trials

迈向5G/6G的实验即服务：Plaza6G原型用于AI辅助试验

Sergio Barrachina-Muñoz, Marc Carrascosa-Zamacois, Horacio Bleda, Umair Riaz, Yasir Maqsood, Xavier Calle, Selva Vía, Miquel Payaró, Josep Mangues-Bafalluy

机构 * Spanish MINECO（西班牙国家研究委员会） ； MCIN/AEI（西班牙国家研究委员会） 纠错

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

AI总结 Plaza6G是首个整合云资源与下一代无线基础设施的实验即服务平台，通过自然语言和REST API实现低门槛实验设计，结合LLM助手提升实验知识与领域微调，支持OTA试验与可重现的无线实验。

Comments 5 pages, 5 figures

ReGAIN: Retrieval-Grounded AI Framework for Network Traffic Analysis

ReGAIN：基于检索的网络流量分析人工智能框架

Shaghayegh Shajarian, Kennedy Marsh, James Benson, Sajad Khorsandroo, Mahmoud Abdelsalam

机构 * Computer Science（计算机科学） ； North Carolina A\&T State University（北卡罗来纳A&T州立大学） ； Institute for Cyber Security（网络安全研究所） ； University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校） 纠错

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

AI总结 ReGAIN结合流量摘要、检索增强生成和大语言模型推理，实现透明准确的网络流量分析，通过多阶段框架提升安全性和性能，验证结果显示其在不同攻击类型中准确率高达95.95%-98.82%。

Comments Accepted to ICNC 2026. This is the accepted author manuscript

On Theoretically-Driven LLM Agents for Multi-Dimensional Discourse Analysis

关于理论驱动的LLM代理在多维话语分析中的应用

Maciej Uberna, Michał Wawer, Jarosław A. Chudziak, Marcin Koszowy

机构 * Laboratory of The New Ethos, Warsaw University of Technology, Poland（新伦理实验室，华沙理工大学，波兰） ； Faculty of Electronics and Information Technology, Warsaw University of Technology, Poland（电子与信息技术学院，华沙理工大学，波兰） 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 本文提出一种多代理框架，通过引入显式理论知识提升话语分析中改写策略的识别能力，实验表明理论增强的LLM代理在检测强化和泛化等任务上表现显著优于基线模型，宏F1分数提升近30%。

Comments 8 pages, 4 figures, 3 tables. This is the accepted version of the paper presented at the 18th International Conference on Agents and Artificial Intelligence (ICAART 2026), Marbella, Spain

Journal ref Proceedings of the 18th International Conference on Agents and Artificial Intelligence (ICAART 2026)

Automating Skill Acquisition through Large-Scale Mining of Open-Source Agentic Repositories: A Framework for Multi-Agent Procedural Knowledge Extraction

通过大规模开源代理仓库挖掘实现技能自动化获取：一种多代理过程知识提取框架

Shuzhen Bi, Mengsong Wu, Hao Hao, Keqian Li, Wentao Liu, Siyu Song, Hongbo Zhao, Aimin Zhou

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

AI总结 本文提出一种多代理过程知识提取框架，通过挖掘开源仓库获取高质量代理技能，结合安全治理和评估指标实现可扩展的知识获取，提升知识转移效率40%。

Hilbert: Recursively Building Formal Proofs with Informal Reasoning

Hilbert：通过非正式推理递归构建形式证明

Sumanth Varambally, Thomas Voice, Yanchao Sun, Zhifeng Chen, Rose Yu, Ke Ye

机构 * UC San Diego（加州大学圣地亚哥分校） ； Apple（苹果公司） 纠错

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

AI总结 Hilbert结合非正式推理与形式验证，通过递归分解问题并利用反馈优化证明，显著提升在形式证明任务中的性能。

Beyond the Embedding Bottleneck: Adaptive Retrieval-Augmented 3D CT Report Generation

突破嵌入瓶颈：适应性检索增强的3D CT报告生成

Renjie Liang, Yiling Ma, Yang Xing, Zhengkang Fan, Jinqian Pan, Chengkun Sun, Li Li, Kuang Gong, Jie Xu

机构 * University of Florida（佛罗里达大学） ； Yale University（耶鲁大学） ； University of Southern California（南加州大学） 纠错

专题命中 检索器与排序 ：RAG(abstract)

AI总结 本文提出AdaRAG-CT框架，通过引入补充文本信息缓解3D CT视觉表示瓶颈，提升CT-RATE基准的临床效果。

IndexRAG: Bridging Facts for Cross-Document Reasoning at Index Time

IndexRAG：在索引时间进行跨文档推理的桥梁

Zhenghua Bao, Yi Shi

机构 * Continuum AI 纠错

专题命中 向量检索 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 IndexRAG通过在索引阶段进行跨文档推理，提升多跳问答的F1得分，无需额外训练，仅需单次检索和一次LLM调用。

Context-Length Robustness in Question Answering Models: A Comparative Empirical Study

问答模型中的上下文长度鲁棒性：一项比较实证研究

Trishita Dhara, Siddhesh Sheth

机构 * Upper Hand ； Ace Rent a Car 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 研究通过SQuAD和HotpotQA基准评估问答模型在上下文长度变化下的鲁棒性，发现多跳推理任务比单跨度提取任务更易受上下文稀释影响。

Comments Accepted for Oral Presentation at Math AI 2026 conference

Compiled Memory: Not More Information, but More Precise Instructions for Language Agents

编译记忆：不是更多信息，而是为语言代理提供更精确的指令

James Rhodes, George Kang

机构 * AlphaBitCore, Inc.（AlphaBitCore公司） 纠错

专题命中 长文档RAG ：RAG(abstract)；分类 cs.AI

AI总结 本文提出Atlas内存内核，通过编译积累的任务经验为语言代理生成指令结构，无需微调、RAG或人工干预，提升GPT-4o和Claude Sonnet~4.5在合同分析和多跳问答任务中的性能。

GSI Agent: Domain Knowledge Enhancement for Large Language Models in Green Stormwater Infrastructure

GSI代理：面向绿色雨水基础设施的大语言模型领域知识增强

Shaohuang Wang

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

AI总结 本文提出GSI代理，通过监督微调、检索增强生成和代理推理流程，提升大语言模型在绿色雨水基础设施任务中的领域知识能力，实验表明其在领域任务中的表现显著提升。

RadAnnotate: Large Language Models for Efficient and Reliable Radiology Report Annotation

RadAnnotate：用于高效可靠放射科报告标注的大型语言模型

Saisha Pradeep Shetty, Roger Eric Goldman, Vladimir Filkov

机构 * Department of Computer Science, University of California, Davis, CA, USA（加州大学戴维斯分校计算机科学系） ； Department of Radiology, University of California, Davis, CA, USA（加州大学戴维斯分校放射学系） 纠错

专题命中 图谱与结构化RAG ：RAG(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出RadAnnotate框架，通过检索增强合成报告和基于置信度的选择性自动化，减少放射科报告标注的人力成本，提升标注效率和可靠性。

Comments 10 pages, 3 figures. Accepted at AMIA Amplify Informatics Summit 2026

CraniMem: Cranial Inspired Gated and Bounded Memory for Agentic Systems

CraniMem：受大脑启发的门控和有界的记忆用于智能体系统

Pearl Mody, Mihir Panchal, Rishit Kar, Kiran Bhowmick, Ruhina Karani

机构 * Dwarkadas Jivanlal Sanghvi College of Engineering（达沃拉萨·吉文拉尔·桑格维工程学院） 纠错

专题命中 图谱与结构化RAG ：RAG(abstract)；分类 cs.AI

AI总结 CraniMem通过门控和有界多阶段记忆设计提升智能体在长期任务中的稳定性与鲁棒性，采用目标条件门控和效用标签结合短期缓冲和长期知识图谱，实现更持久的语义记忆与更小的干扰影响。

Comments International Conference on Learning Representations 2026 Workshop on Memory for LLM-Based Agentic Systems (MemAgents)

Finder: A Multimodal AI-Powered Search Framework for Pharmaceutical Data Retrieval

Finder：一种多模态AI驱动的制药数据检索框架

Suyash Mishra, Srikanth Patil, Satyanarayan Pati, Sagar Sahu, Baddu Narendra

机构 * Researcher, Global Product Strategy F. Hoffmann-La Roche Ltd. Basel, Switzerland（全球产品战略研究员 罗氏有限公司 巴塞尔，瑞士） ； Associate Vice President (Gen AI) Involead Services Pvt Ltd. Pune, India（高级副总裁（生成式人工智能） Involead服务私人有限公司 普纳，印度） ； Lead Data Scientist Involead Services Pvt Ltd. Delhi, India（首席数据科学家 Involead服务私人有限公司 德里，印度） ； Data Scientist Involead Services Pvt Ltd. Bhubaneswar, India（数据科学家 Involead服务私人有限公司 奇塔拉，印度） 纠错

专题命中 多模态RAG ：vector search(abstract)；分类 cs.IR、cs.AI

AI总结 Finder利用混合向量搜索统一文本、图像、音频和视频的检索，通过稀疏词汇和密集语义模型提升多模态内容处理能力，支持自然语言推理搜索，已处理超过29万文档、3.1万视频和1192音频文件。

ExpressMind: A Multimodal Pretrained Large Language Model for Expressway Operation

ExpressMind：一种用于高速公路运营的多模态预训练大语言模型

Zihe Wang, Yihuan Wang, Haiyang Yu. Zhiyong Cui, Xiaojian Liao, Chengcheng Wang, Yonglin Tian, Yongxin Tong

机构 * Beihang University（北航） ； Shandong Hi-speed Group Co., Ltd（山东高速集团有限公司） ； Institute of automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

专题命中 多模态RAG ：RAG(abstract)；分类 cs.AI

AI总结 本文提出ExpressMind，一种针对高速公路运营的多模态预训练大语言模型，通过构建全栈数据集和双层预训练方法，提升事件检测、安全响应生成和复杂交通分析能力。

AutothinkRAG: Complexity-Aware Control of Retrieval-Augmented Reasoning for Image-Text Interaction

AutothinkRAG: 多模态文档问答中检索增强推理的复杂度感知控制

Jiashu Yang, Chi Zhang, Abudukelimu Wuerkaixi, Xuxin Cheng, Cao Liu, Ke Zeng, Xu Jia, Xunliang Cai

机构 * Dalian University of Technology（大连理工大学） ； Tsinghua University（清华大学） ； Meituan LongCat Interaction Team（美团LongCat交互团队） 纠错

专题命中 多模态RAG ：RAG(abstract)；分类 cs.IR

AI总结 本文提出AutoThinkRAG，通过查询复杂度路由器和感知-推理解耦架构，提升多模态文档问答的效率与鲁棒性，实验表明在DocBench和MMLongBench上准确率提升，且降低计算与成本消耗。

Exploring different approaches to customize language models for domain-specific text-to-code generation

探索不同方法以定制语言模型用于领域特定的文本到代码生成

Luís Freire, Fernanda A. Andaló, Nicki Skafte Detlefsen

机构 * Technical University of Denmark（丹麦技术大学） ； The LEGO Group（乐高集团） 纠错

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

AI总结 本文探讨了如何通过合成数据集定制小型语言模型用于领域特定的代码生成，比较了少样本提示、检索增强生成和LoRA微调三种方法，发现LoRA在准确性和领域对齐上表现更优。

Selective Memory for Artificial Intelligence: Write-Time Gating with Hierarchical Archiving

选择性记忆用于人工智能：具有层次归档的写时门控

Oliver Zahn, Simran Chana

机构 * Independent Researcher（独立研究者） ； University of Cambridge（剑桥大学） 纠错

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

AI总结 本文提出写时门控机制，通过复合显著性评分筛选知识对象，保持版本链以保存先前状态，实验证明其在噪声环境下优于传统方法，尤其在干扰比例增加时表现更优。

Comments 20 pages, 8 figures

V-DyKnow: A Dynamic Benchmark for Time-Sensitive Knowledge in Vision Language Models

V-DyKnow：面向视觉语言模型的时间敏感知识动态基准

Seyed Mahed Mousavi, Christian Moiola, Massimo Rizzoli, Simone Alghisi, Giuseppe Riccardi

机构 * Signals and Interactive Systems Lab, University of Trento（信号与交互系统实验室，特伦托大学） 纠错

专题命中 RAG评测 ：RAG(abstract)；分类 cs.AI

AI总结 本文提出V-DyKnow基准，评估视觉语言模型对时间敏感事实知识的处理能力，分析模型响应可靠性、知识更新方法有效性及过时预测原因，揭示当前VLM在多模态时间敏感知识获取与更新中的局限性。