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。