RAG / 检索增强生成

CrisiSense-RAG: Crisis Sensing Multimodal Retrieval-Augmented Generation for Rapid Disaster Impact Assessment

CrisiSense-RAG：面向快速灾害影响评估的多模态检索增强生成系统

Yiming Xiao, Kai Yin, Ali Mostafavi

机构 * Zachry Department of Civil ； Environmental Engineering, Texas A\&M University ； Department of Computer Science ； Engineering, Texas A\&M University 纠错

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

AI总结 本文提出CrisiSense-RAG系统，通过多模态检索增强生成技术，解决灾害影响评估中时空不对齐问题，实现零样本设置下的高精度灾害评估。

Comments 27 pages, 4 figures

CVPD at QIAS 2026: RAG-Guided LLM Reasoning for Al-Mawarith Share Computation and Heir Allocation

QIAS 2026上的CVPD：基于RAG的LLM推理用于阿尔-马瓦里什继承计算与继承人分配

Wassim Swaileh, Mohammed-En-Nadhir Zighem, Hichem Telli, Salah Eddine Bekhouche, Abdellah Zakaria Sellam, Fadi Dornaika, Dimitrios Kotzinos

机构 * ETIS (UMR 8051), CY Cergy Paris Univ., ENSEA, CNRS（ETIS（UMR 8051），CY塞尔吉巴黎大学，ENSEA，法国国家科学研究中心） ； VSC Laboratory, Department of Electronics and Automation, University of Biskra（VSC实验室，电子与自动化系，比斯克拉大学） ； Computer Engineering Dept, Sana'a Community College（计算机工程系，萨那社区学院） ； CNR-ISASI "E. Caianiello"（意大利国家研究委员会-智能系统自动化研究所（ISASI）"E. Caianiello"） ； Ikerbasque（伊克尔巴斯克） 纠错

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

AI总结 本文提出基于RAG的系统，通过规则驱动的数据生成、混合检索与模式约束输出验证，提升阿拉伯法律推理任务的可靠性。

MDKeyChunker: Single-Call LLM Enrichment with Rolling Keys and Key-Based Restructuring for High-Accuracy RAG

MDKeyChunker: 基于滚动键和键驱动重构的单次调用LLM增强方法用于高精度RAG

Bhavik Mangla

机构 * Independent Research（独立研究） 纠错

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

AI总结 MDKeyChunker通过结构感知分块、单次LLM调用增强和键驱动重构提升RAG精度，实现单次调用提取七种元数据，消除多轮提取需求。

Comments 13 pages, 4 figures, 7 tables, 2 algorithms. Code: https://github.com/bhavik-mangla/MDKeyChunker

Incorporating Q&A Nuggets into Retrieval-Augmented Generation

将问答 nugget 融入检索增强生成

Laura Dietz, Bryan Li, Gabrielle Liu, Jia-Huei Ju, Eugene Yang, Dawn Lawrie, William Walden, James Mayfield

机构 * University of New Hampshire（新罕布什尔大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Yale University（耶鲁大学） ； University of Amsterdam（阿姆斯特丹大学） ； Human Language Technology Center of Excellence, Johns Hopkins University（约翰霍普金斯大学人类语言技术卓越中心） 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 本文提出Crucible系统，通过构建问答nugget库提升生成质量，保留引用溯源，优于现有系统。

Comments To appear in the Proceedings of ECIR 2026, Lecture Notes in Computer Science, Volume 16484

Retrieval-Augmented Generation Based Nurse Observation Extraction

基于检索增强生成的护士观察提取

Kyomin Hwang, Nojun Kwak

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

AI总结 本文提出自动流程减轻护士负担，通过RAG方法提取临床观察，达到0.796的F1分数。

Defending Against Knowledge Poisoning Attacks During Retrieval-Augmented Generation

在检索增强生成过程中防御知识污染攻击

Kennedy Edemacu, Vinay M. Shashidhar, Micheal Tuape, Dan Abudu, Beakcheol Jang, Jong Wook Kim

机构 * Department of Computer Science, The City University of New York - College of Staten Island（纽约市立大学史泰登岛学院计算机科学系） ； Department of Mathematics and Computer Science, Northern Michigan University（北密歇根大学数学与计算机科学系） ； Department of Software Engineering, Lappeenranta-Lahti University of Technology（拉彭兰塔-拉赫蒂理工大学软件工程系） ； Energy and Bioproducts Research Institute, Aston University（阿斯顿大学能源与生物产品研究所） ； Graduate School of Information, Yonsei University（延世大学信息研究生院） ； Department of Computer Science, Sangmyung University（祥明大学计算机科学系） 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 本文提出FilterRAG和ML-FilterRAG方法，通过识别对抗性文本与清洁文本的差异特性，有效缓解PoisonedRAG攻击，实验表明其性能接近原始RAG系统。

Comments Preprint for Submission

Can Small Models Reason About Legal Documents? A Comparative Study

小型模型能否对法律文件进行推理？一项比较研究

Snehit Vaddi

机构 * Independent Researcher（独立研究员） 纠错

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

AI总结 本文通过测试九种模型在三个法律基准上的表现，发现3B参数的混合专家模型在法律持有识别上优于GPT-4o-mini，且提示策略影响显著，few-shot提示效果最佳。

Comments 17 pages, 9 models, 5 prompting strategies, 3 legal benchmarks, 405 experiments

Facet-Level Persona Control by Trait-Activated Routing with Contrastive SAE for Role-Playing LLMs

通过对比稀疏自编码器的特质激活路由实现面向级人格控制

Wenqiu Tang, Zhen Wan, Takahiro Komamizu, Ichiro Ide

机构 * Nagoya University（名古屋大学） ； Kyoto University（京都大学） 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 本文提出一种基于对比稀疏自编码器的特质激活路由框架，用于角色扮演大语言模型的人格控制，通过构建平衡监督的语料库，实现稳定的人格表现和输出质量。

Comments Accepted in PAKDD 2026 special session on Data Science :Foundation and Applications

CADSmith: Multi-Agent CAD Generation with Programmatic Geometric Validation

CADSmith: 基于程序化几何验证的多智能体CAD生成

Jesse Barkley, Rumi Loghmani, Amir Barati Farimani

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 CADSmith通过多智能体管道生成CadQuery代码，并通过双重嵌套修正循环进行迭代优化，结合精确测量和视觉评估提升CAD生成质量。

Comments 8 pages, 6 figures

ClimateCheck 2026: Scientific Fact-Checking and Disinformation Narrative Classification of Climate-related Claims

ClimateCheck 2026：气候相关主张的科学事实核查与虚假信息叙述分类

Raia Abu Ahmad, Max Upravitelev, Aida Usmanova, Veronika Solopova, Georg Rehm

机构 * Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI)（德国人工智能研究中心） ； Technische Universität Berlin（柏林工业大学） ； Leuphana Universität Lüneburg（吕讷堡大学） ； Humboldt-Universität zu Berlin（柏林洪堡大学） 纠错

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

AI总结 ClimateCheck 2026通过扩大训练数据和新增虚假信息叙述分类任务，挑战气候相关主张的自动核查，揭示传统指标的系统性偏差。

Comments Accepted at NSLP@LREC 2026

Can AI Scientist Agents Learn from Lab-in-the-Loop Feedback? Evidence from Iterative Perturbation Discovery

AI科学家代理能否从循环实验室反馈中学习？来自迭代扰动发现的证据

Gilles Wainrib, Barbara Bodinier, Haitem Dakhli, Josep Monserrat, Almudena Espin Perez, Sabrina Carpentier, Roberta Codato, John Klein

机构 * Owkin Inc（Owkin公司） 纠错

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

AI总结 本文通过800次独立重复实验，比较了基于LLM的代理在循环扰动发现中利用反馈与零样本基线的性能差异，发现反馈能显著提升发现效率，且模型能力提升后效果更显著。

Toward Reliable Scientific Visualization Pipeline Construction with Structure-Aware Retrieval-Augmented LLMs

迈向可靠科学可视化管道构建的结构感知检索增强型大语言模型

Guanghui Zhao, Zhe Wang, Yu Dong, Guan Li, GuiHua Shan

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

AI总结 本文提出结构感知检索增强型大语言模型，用于生成可执行的科学可视化管道，通过提供 vtk.js 代码示例提高模块选择和执行顺序的准确性，降低人工修正成本。