RAG / 检索增强生成

Enhancing Legal LLMs through Metadata-Enriched RAG Pipelines and Direct Preference Optimization

通过元数据增强的RAG流水线和直接偏好优化增强法律LLM

Suyash Maniyar, Deepali Singh, Rohith Reddy

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

AI总结 本文提出元数据增强的RAG和直接偏好优化，解决法律领域长文本检索和生成中的精度问题，提升模型的可靠性与安全性。

Comments 12 pages including Appendix

CoverageBench: Evaluating Information Coverage across Tasks and Domains

CoverageBench：跨任务和领域的信息覆盖评估

Saron Samuel, Andrew Yates, Dawn Lawrie, Ian Soboroff, Trevor Adriaanse, Benjamin Van Durme, Eugene Yang

机构 * Johns Hopkins University（约翰霍普金斯大学） ； National Institute of Standards and Technology（国家标准与技术研究院） 纠错

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

AI总结 本文提出CoverageBench，通过现有数据集构建多任务多领域的统一测试平台，评估信息覆盖能力，释放话题、 nuggets、相关性标签及基线排名至Hugging Face Datasets。

Comments 8

Retrieval-Augmented LLMs for Security Incident Analysis

增强检索的大型语言模型用于安全事件分析

Xavier Cadet, Aditya Vikram Singh, Harsh Mamania, Edward Koh, Alex Fitts, Dirk Van Bruggen, Simona Boboila, Peter Chin, Alina Oprea

机构 * Dartmouth College（达特茅斯学院） ； Northeastern University（东北大学） 纠错

专题命中 检索器与排序 ：RAG(abstract)；分类 cs.AI

AI总结 本文提出基于RAG的系统，通过针对性查询过滤和LLM语义推理分析安全事件，展示LLM在恶意软件和Active Directory攻击中的高召回率和精度，证明RAG架构在安全分析中的有效性。

LLM-Enhanced Semantic Data Integration of Electronic Component Qualifications in the Aerospace Domain

基于大语言模型的航空领域电子元件资格语义数据整合

Antonio De Santis, Marco Balduini, Matteo Belcao, Andrea Proia, Marco Brambilla, Emanuele Della Valle

机构 * Politecnico di Milano, DEIB（米兰Politecnico大学DEIB系） ； Quantia Consulting（Quantia咨询公司） ； Motus ml（Motus ml实验室） ； Thales Alenia Space（Thales Alenia空间公司） 纠错

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

AI总结 本文提出利用虚拟知识图谱和大语言模型整合航空领域电子元件资格数据，通过本体数据访问和向量搜索提升检索效率，减少人工处理成本。

Comments ESWC 2026

From Flat to Structural: Enhancing Automated Short Answer Grading with GraphRAG

从平面到结构：利用GraphRAG增强自动简答评分

Yucheng Chu, Haoyu Han, Shen Dong, Hang Li, Kaiqi Yang, Yasemin Copur-Gencturk, Joseph Krajcik, Namsoo Shin, Hui Liu

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

AI总结 本文提出GraphRAG框架，通过构建结构化知识图谱解决传统RAG在复杂教育内容中的不足，实验表明其在评估科学与工程实践方面表现更优。

FinMMDocR: Benchmarking Financial Multimodal Reasoning with Scenario Awareness, Document Understanding, and Multi-Step Computation

FinMMDocR：基于场景意识、文档理解与多步骤计算的金融多模态推理基准测试

Zichen Tang, Haihong E, Rongjin Li, Jiacheng Liu, Linwei Jia, Zhuodi Hao, Zhongjun Yang, Yuanze Li, Haolin Tian, Xinyi Hu, Peizhi Zhao, Yuan Liu, Zhengyu Wang, Xianghe Wang, Yiling Huang, Xueyuan Lin, Ruofei Bai, Zijian Xie, Qian Huang, Ruining Cao, Haocheng Gao

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

AI总结 FinMMDocR通过引入场景意识、文档理解和多步骤计算，推动多模态大语言模型在现实金融场景中的推理能力提升，其包含12种隐含金融场景、9类丰富文档及平均11步推理任务。

Comments Accepted by AAAI-26 Main Track

Journal ref Proc. AAAI 2026 (Vol. 40, No. 30), pages 25858-25866

TempPerturb-Eval: On the Joint Effects of Internal Temperature and External Perturbations in RAG Robustness

TempPerturb-Eval: 关于RAG鲁棒性中内部温度与外部扰动的联合影响

Yongxin Zhou, Philippe Mulhem, Didier Schwab

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

AI总结 本文研究了RAG系统中内部温度与外部扰动的交互影响，提出分析框架并展示实验结果，揭示高温度设置加剧扰动敏感性，提出评估基准和调参指南。

Comments LREC 2026, Palma, Mallorca (Spain), 11-16 May 2026

URAG: A Benchmark for Uncertainty Quantification in Retrieval-Augmented Large Language Models

URAG：一种用于检索增强大型语言模型不确定性量化的基准

Vinh Nguyen, Cuong Dang, Jiahao Zhang, Hoa Tran, Minh Tran, Trinh Chau, Thai Le, Lu Cheng, Suhang Wang

机构 * Uppsala University（乌普萨拉大学） ； University of Science, VNU-HCM（VNU-HCM大学） ； Indiana University（印第安纳大学） ； FPT Software, AI Center（FPT软件人工智能中心） ； The Pennsylvania State University（宾夕法尼亚州立大学） ； VNU University of Engineering（VNU工程大学） ； University of Illinois at Chicago（伊利诺伊大学芝加哥分校） 纠错

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

AI总结 URAG通过构建多选问答任务评估RAG系统在医疗、编程、科学、数学等领域的不确定性，揭示准确性与不确定性的关系及不同RAG方法的性能差异。

Full-Stack Domain Enhancement for Combustion LLMs: Construction and Optimization

面向燃烧科学的全栈领域增强：构建与优化

Quanjia Xiao, Weimin Ouyang, Zonglin Yang, Tianhao Wu, Qingguo Zhou, Runze Mao, Zhi X. Chen

机构 * Peking University（北京大学） ； AI for Science Institute, Beijing（AI for Science研究院，北京） 纠错

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

AI总结 本文提出首个针对燃烧科学的全栈领域增强LLM工作流程，整合自动领域语料构建、增量预训练、指令微调及可验证奖励强化学习，构建标准化评估基准FlameBench，显著提升燃烧科学推理性能。