RAG / 检索增强生成

Entropic Claim Resolution: Uncertainty-Driven Evidence Selection for RAG

熵驱动的声明解析：面向RAG的不确定性驱动的证据选择

Davide Di Gioia

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

AI总结 本文提出ECR算法，通过熵最小化解决RAG中的不确定性问题，改进证据选择方法，提升在复杂场景下的决策能力。

Comments Preprint

"Where is My Troubleshooting Procedure?": Studying the Potential of RAG in Assisting Failure Resolution of Large Cyber-Physical System

我的故障排除流程在哪里？

Maria Teresa Rossi, Leonardo Mariani, Oliviero Riganelli, Giuseppe Filomeno, Danilo Giannone, Paolo Gavazzo

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

AI总结 本文研究RAG在帮助操作员快速响应复杂系统故障症状中的作用，通过分析芬坎蒂埃公司的故障排除流程实验，证明RAG能提升故障排除效率，但需在执行前进行验证。

Comments This paper has been accepted for publication in the Software Engineering in Practice track at the 48th International Conference on Software Engineering (ICSE 2026)

AstraAI: LLMs, Retrieval, and AST-Guided Assistance for HPC Codebases

AstraAI：基于LLM、检索与AST引导的HPC代码库辅助系统

Mahesh Natarajan, Xiaoye Li, Weiqun Zhang

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

AI总结 AstraAI通过整合LLM、RAG和AST分析，实现对复杂科学代码库的上下文感知代码生成，支持HPC环境中的代码修改与结构保持。

Comments 10 pages, 5 figures

LITTA: Late-Interaction and Test-Time Alignment for Visually-Grounded Multimodal Retrieval

LITTA：晚期交互与测试时对齐用于视觉接地多模态检索

Seonok Kim

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

AI总结 LITTA通过查询扩展提升多模态文档检索，利用晚期交互评分和反向排名融合提高检索鲁棒性，适用于计算机科学、制药和工业手册等多领域。

Quid est VERITAS? A Modular Framework for Archival Document Analysis

真理为何？面向档案文档分析的模块化框架

Leonardo Bassanini, Ludovico Biancardi, Alfio Ferrara, Andrea Gamberini, Sergio Picascia, Folco Vaglienti

机构 * Università degli Studi di Milano（米兰大学） ； University Library Service（大学图书馆服务部） ； Department of Literary Studies, Philology and Linguistics（文学、语文学与语言学系） ； Department of Historical Studies（历史研究系） ； Department of Computer Science（计算机科学系） 纠错

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

AI总结 本文提出VERITAS框架，通过整合转录、版式分析和语义增强，提升历史文档数字化分析能力，实验显示其在词错误率和处理时间上均有显著提升。

Comments to be published in: LLMs4SSH: Shaping Multilingual, Multimodal AI for the Social Sciences and Humanities, organized within the 15th Language Resource and Evaluation Conference (2026)

AISAC: An Integrated multi-agent System for Transparent, Retrieval-Grounded Scientific Assistance

AISAC：一个集成的多智能体系统，用于透明、基于检索的科学协助

Chandrachur Bhattacharya, Sibendu Som

机构 * Transportation and Power Systems Division, Argonne National Laboratory, USA（美国阿贡国家实验室交通与动力系统部） 纠错

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

AI总结 AISAC 提供了一个透明的多智能体运行环境，支持长期的证据支持科学推理，通过结构化保证实现角色语义、预算管理、可追溯执行和工具交互可重复性。

Schema for In-Context Learning

基于模式的上下文学习框架

Pan Chen, Shaohong Chen, Mark Wang, Shi Xuan Leong, Priscilla Fung, Varinia Bernales, Alan Aspuru-Guzik

机构 * University of Toronto（多伦多大学） ； Nanyang Technological University（南洋理工大学） ； Acceleration Consortium（加速联盟） ； Vector Institute for Artificial Intelligence（向量人工智能研究所） ； Canadian Institute for Advanced Research (CIFAR)（加拿大高等研究院（CIFAR）） ； NVIDIA（英伟达） 纠错

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

AI总结 本文提出基于认知模式的上下文学习框架，通过提取先验示例中的认知构建块，生成抽象模式以增强模型推理能力，实验证明在化学和物理问题上性能提升达36.19%。

SkillFlow: Scalable and Efficient Agent Skill Retrieval System

SkillFlow：可扩展且高效的智能体技能检索系统

Fangzhou Li, Pagkratios Tagkopoulos, Ilias Tagkopoulos

机构 * University of California, Davis（加州大学戴维斯分校） ； USDA/NSF AI Institute for Next Generation Food Systems（美国农业部/国家科学基金会下一代食品系统人工智能研究所） ； Process Integration and Predictive Analytics（过程集成与预测分析） 纠错

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

AI总结 SkillFlow通过多阶段检索流程提升智能体技能检索效率，实现在SkillsBench上Pass@1提升78.3%，但Terminal-Bench显示检索效果受限于技能库质量

Dream to Recall: Imagination-Guided Experience Retrieval for Memory-Persistent Vision-and-Language Navigation

梦想回溯：基于想象的体验检索用于记忆持久的视觉与语言导航

Yunzhe Xu, Yiyuan Pan, Zhe Liu

机构 * National Key Laboratory of Human Machine Hybrid Augmented Intelligence, Xi’an Jiaotong University（西安交通大学人机混合增强智能全国重点实验室） ； School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） 纠错

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

AI总结 本文提出Memoir，通过想象引导的检索机制提升记忆持久的视觉与语言导航性能，通过混合视角记忆和经验增强导航模型，在多个基准测试中实现了显著提升。

Comments Accepted by IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)

Multilingual Retrieval-Augmented Generation for Knowledge-Intensive Task

多语言检索增强生成用于知识密集型任务

Leonardo Ranaldi, Barry Haddow, Alexandra Birch

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

AI总结 本文研究多语言检索增强生成在开放域问答中的有效性，提出tRAG和MultiRAG方法，发现tRAG覆盖有限，MultiRAG效率高但存在不一致，CrossRAG通过翻译文档到共同语言提升性能。

Journal ref 2026.findings-eacl.35

Multilingual Medical Reasoning for Question Answering with Large Language Models

多语言医疗推理用于问答的大型语言模型

Pietro Ferrazzi, Aitor Soroa, Rodrigo Agerri

机构 * HiTZ Center - Ixa, University of the Basque Country EHU（HiTZ中心 - Ixa，巴斯克大学EHU） 纠错

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

AI总结 本文提出基于维基百科医疗知识生成多语言推理轨迹的方法，通过检索增强生成技术生成英文、意大利语和西班牙语的50万条轨迹，提升医疗问答性能，达到8B参数模型的最新水平。

Comments Under Review

SRAG: RAG with Structured Data Improves Vector Retrieval

SRAG：基于结构化数据的RAG改进向量检索

Shalin Shah, Srikanth Ryali, Ramasubbu Venkatesh

机构 * Anvai AI 纠错

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

AI总结 SRAG通过引入结构化信息提升向量检索性能，实验显示在问答系统中提升30%的评分，尤其在比较、分析和预测类问题上效果显著。

Exqutor: Extended Query Optimizer for Vector-augmented Analytical Queries

Exqutor：面向向量增强分析查询的扩展查询优化器

Hyunjoon Kim, Chaerim Lim, Hyeonjun An, Rathijit Sen, Kwanghyun Park

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

AI总结 本文提出Exqutor，一种用于向量增强分析查询的查询优化器，通过改进向量搜索的基数估计方法，提升查询性能，实验证明在pgvector、VBASE和DuckDB中性能提升达四量级。

Comments Accepted to the 42nd IEEE International Conference on Data Engineering (ICDE 2026)

CiQi-Agent: Aligning Vision, Tools and Aesthetics in Multimodal Agent for Cultural Reasoning on Chinese Porcelains

CiQi-Agent：在多模态代理中对视觉、工具和美学的对齐用于中国瓷器的文化推理

Wenhan Wang, Zhixiang Zhou, Zhongtian Ma, Yanzhu Chen, Ziyu Lin, Hao Sheng, Pengfei Liu, Honglin Ma, Wenqi Shao, Qiaosheng Zhang, Yu Qiao

机构 * Shanghai Innovation Institute（上海创新研究院） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shaanxi Academy of Cultural Relics Conservation（陕西省文物保护研究院） 纠错

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

AI总结 本文提出CiQi-Agent，通过多图像输入、视觉工具调用和多模态检索增强生成，实现对瓷器六个属性的精细分析，同时构建了专家标注的CiQi-VQA数据集和对齐的CiQi-Bench基准，实验表明其在六个属性上的准确率比GPT-5高12.2%。

OmniRAG-Agent: Agentic Omnimodal Reasoning for Low-Resource Long Audio-Video Question Answering

OmniRAG-Agent：面向低资源长音频视频的代理多模态推理

Yifan Zhu, Xinyu Mu, Tao Feng, Zhonghong Ou, Yuning Gong, Haoran Luo

专题命中 多模态RAG ：retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 本文提出OmniRAG-Agent，通过构建图像音频检索增强生成模块和代理循环，解决低资源长音频视频问答中的高成本编码、弱细粒度检索等问题，实验表明其在低资源环境下表现优异。

FACTUM: Mechanistic Detection of Citation Hallucination in Long-Form RAG

FACTUM：长形式RAG中引用幻觉的机制检测

Maxime Dassen, Rebecca Kotula, Kenton Murray, Andrew Yates, Dawn Lawrie, Efsun Kayi, James Mayfield, Kevin Duh

机构 * University of Amsterdam（阿姆斯特丹大学） ； Department of Defense（美国国防部） ； HLTCOE, Johns Hopkins University（约翰霍普金斯大学HLTCOE） ； Applied Physics Laboratory, Johns Hopkins University（约翰霍普金斯大学应用物理实验室） 纠错

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

AI总结 FACTUM通过四个机制性评分（CAS、BAS、PFS、PAS）检测RAG中的引用幻觉，发现高参数力（PFS）和注意力sink使用（BAS）与正确引用相关，且随着模型规模变化，正确性特征也随之演变，FACTUM在AUC上优于现有方法37.5%。

Comments Accepted at ECIR 2026. 13 pages, 2 figures

Synthetic Mixed Training: Scaling Parametric Knowledge Acquisition Beyond RAG

合成混合训练：在RAG之上扩展参数化知识获取

Seungju Han, Konwoo Kim, Chanwoo Park, Benjamin Newman, Suhas Kotha, Jaehun Jung, James Zou, Yejin Choi

机构 * Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； University of Washington（华盛顿大学） 纠错

专题命中 RAG评测 ：RAG(title,abstract)；分类 cs.AI

AI总结 本文提出合成混合训练方法，结合合成问答和文档，通过互补训练信号提升模型性能，在QuaLITY基准上实现4.4%的相对提升。

Link Prediction for Event Logs in the Process Industry

过程工业事件日志中的链接预测

Anastasia Zhukova, Thomas Walton, Christian E. Lobmüller, Bela Gipp

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

AI总结 本文提出一种跨文档核心ference解决方法，用于解决过程工业中事件日志碎片化问题，提升数据质量和连接性。

Comments accepted to RESOURCEFUL 2026, co-located with LREC 2026

Heterogeneous Debate Engine: Identity-Grounded Cognitive Architecture for Resilient LLM-Based Ethical Tutoring

异质辩论引擎：基于身份的认知架构用于鲁棒的基于大语言模型的伦理导师

Jakub Masłowski, Jarosław A. Chudziak

机构 * Institute of Computer Science, Warsaw University of Technology（华沙理工大学计算机科学研究所） 纠错

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

AI总结 本文提出异质辩论引擎，结合身份导向检索增强生成与启发式理论思维，解决多代理系统在伦理教学中保持精确回答的挑战。

Comments 15 pages, 3 figures, 4 tables. Accepted at ACIIDS 2026

Not Search, But Scan: Benchmarking MLLMs on Scan-Oriented Academic Paper Reasoning

不是搜索，而是扫描：在面向学术论文推理的扫描任务上基准测试大语言模型

Rongjin Li, Zichen Tang, Xianghe Wang, Xinyi Hu, Zhengyu Wang, Zhengyu Lu, Yiling Huang, Jiayuan Chen, Weisheng Tan, Jiacheng Liu, Zhongjun Yang, Haihong E

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） 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ScholScan基准，通过扫描式任务评估大语言模型在学术论文推理中的能力，发现检索增强生成方法在扫描任务上无显著提升，揭示了当前模型在该任务上的系统性缺陷。

Comments Accepted to ICLR 2026

Red-MIRROR: Agentic LLM-based Autonomous Penetration Testing with Reflective Verification and Knowledge-augmented Interaction

Red-MIRROR：基于大语言模型的自主渗透测试系统，结合反射验证与知识增强交互

Tran Vy Khang, Nguyen Dang Nguyen Khang, Nghi Hoang Khoa, Do Thi Thu Hien, Van-Hau Pham, Phan The Duy

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

AI总结 Red-MIRROR通过引入紧密耦合的记忆-反射架构，解决传统渗透测试中依赖参数知识、记忆碎片化和验证不足的问题，实现复杂Web漏洞的高效检测与验证，其在XBOW基准测试中成功率达到86%。

Comments 26 pages

HEAD-QA v2: Expanding a Healthcare Benchmark for Reasoning

HEAD-QA v2：扩展医疗基准以进行推理

Alexis Correa-Guillén, Carlos Gómez-Rodríguez, David Vilares

专题命中 RAG评测 ：RAG(abstract)；分类 cs.CL

AI总结 HEAD-QA v2扩展了医疗推理数据集，包含12000个西班牙专业考试问题，评估多种LLM性能，发现模型规模和推理能力是主要影响因素。

Comments LREC 2026 camera-ready version

TailNLG: A Multilingual Benchmark Addressing Verbalization of Long-Tail Entities

TailNLG：一种针对长尾实体 verbalization 的多语言基准

Lia Draetta, Michael Oliverio, Virginia Ramón-Ferrer, Pier Felice Balestrucci, Flaviana Corallo, Carlos Badenes-Olmedo, Alessandro Mazzei, Marco Antonio Stranisci, Rossana Damiano

机构 * University of Turin（都灵大学） ； Universidad Politécnica de Madrid（马德里理工大学） 纠错

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

AI总结 本文提出TailNLG基准，评估大型语言模型在长尾实体上的表现，揭示其存在偏见，强调需更可靠的评估框架。

Autonomous Issue Resolver: Towards Zero-Touch Code Maintenance

自主问题解决者：迈向零接触代码维护

Aliaksei Kaliutau

机构 * Imperial College London（伦敦帝国理工学院） 纠错

专题命中 RAG评测 ：RAG(abstract)；分类 cs.AI

AI总结 本文提出基于数据转换图的新型方法，通过数据状态节点和函数边的拓扑结构，解决传统代码属性图的控制流逻辑缺陷，实现数据完整性导航与控制流逻辑的统一，提升代码修复效率。

Comments 21 pages, 4 figures