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。