RAG / 检索增强生成

From BM25 to Corrective RAG: Benchmarking Retrieval Strategies for Text-and-Table Documents

从BM25到纠正性RAG：文本与表格文档检索策略的基准测试

Meftun Akarsu, Recep Kaan Karaman, Christopher Mierbach

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

AI总结 本文对比了十种检索策略，发现混合检索与神经重排序结合的方法在金融问答基准上表现优异，BM25在金融文档中优于最新密集检索，查询扩展方法对精确数值查询帮助有限。

Comments 11 pages, 6 figures, 6 tables

Speaking at the Right Level: Literacy-Controlled Counterspeech Generation with RAG-RL

在合适水平上发言：基于RAG-RL的识字率控制反驳生成

Xiaoying Song, Anirban Saha Anik, Dibakar Barua, Pengcheng Luo, Junhua Ding, Lingzi Hong

机构 * University of North Texas（北德克萨斯大学） ； Peking University（北京大学） 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 本文提出基于RAG-RL的识字率控制框架，生成适应不同健康识字水平的定制化反驳内容，提升信息可及性和有效性。

Comments Accepted at Findings of EMNLP 2025

Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025

AI Engineering Blueprint for On-Premises Retrieval-Augmented Generation Systems

面向企业本地检索增强生成系统的AI工程蓝图

Nicolas Weeger, Jakob Winkler, Annika Stiehl, Jóakim von Kistowski, Christian Uhl, Stefan Geißelsöder

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

AI总结 本文提出面向企业本地RAG系统的全面AI工程蓝图，提供端到端架构、参考应用及最佳实践，旨在解决部署挑战并提升集成效率。

Comments Accepted at ICSA 2026 Posters Track

APITestGenie: Generating Web API Tests from Requirements and API Specifications with LLMs

APITestGenie: 从需求和API规范生成Web API测试

André Pereira, Bruno Lima, João Pascoal Faria

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

AI总结 本文提出APITestGenie工具，利用LLM、RAG和提示工程从业务需求和OpenAPI规范自动生成API测试，测试覆盖率达89%，发现API缺陷，提升测试与需求的一致性。

Journal ref 7th ACM/IEEE International Conference on Automation of Software Test (AST 2026)

PAVE: Premise-Aware Validation and Editing for Retrieval-Augmented LLMs

PAVE：基于前提的验证与编辑用于检索增强的大语言模型

Tianyi Huang, Caden Yang, Emily Yin, Eric Wang, Michael Zhang

机构 * Ryquo ； App-In Club 纠错

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

AI总结 PAVE通过在推理阶段验证和编辑检索到的证据，提高检索增强大语言模型的回答一致性。在两个证据基础问答任务中，PAVE在跨度基础基准上提升了32.7个准确率点。

Comments Accepted at the ICLR 2026 Workshop on Logical Reasoning of Large Language Models

DIVER: A Multi-Stage Approach for Reasoning-intensive Information Retrieval

DIVER：一种用于推理密集型信息检索的多阶段方法

Duolin Sun, Meixiu Long, Dan Yang, Junjie Wang, Yecheng Luo, Yue Shen, Jian Wang, Hualei Zhou, Chunxiao Guo, Peng Wei, Jiahai Wang, Jinjie Gu

机构 * Ant Group（蚂蚁集团） ； Sun Yat-sen University（中山大学） 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 DIVER通过多阶段流程提升推理密集型信息检索性能，包含文档预处理、查询扩展、检索和重排序四个环节，有效应对需要抽象推理和多步推理的复杂查询。

Generative AI Spotlights the Human Core of Data Science: Implications for Education

生成AI揭示数据科学的人类核心：对教育的影响

Nathan Taback

机构 * University of Toronto（多伦多大学） 纠错

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

AI总结 生成AI揭示数据科学中不可还原的人类核心，教育应强化人类推理能力，通过迭代提示-输出-提示循环提升学生贡献能力，评估应侧重推理与判断。

DOne: Decoupling Structure and Rendering for High-Fidelity Design-to-Code Generation

DOne：解耦结构与渲染以实现高保真设计到代码生成

Xinhao Huang, Jinke Yu, Wenhao Xu, Zeyi Wen, Ying Zhou, Junzhuo Liu, Junhao Ji, Zulong Chen

机构 * HKUST (Guangzhou)（香港科技大学（广州）） ； Alibaba Group（阿里巴巴集团） ； HKUST（香港科技大学） ； University of Electronic Science（电子科技大学） ； Zhejiang Lab（之江实验室） 纠错

专题命中 检索器与排序 ：retriever(abstract)

AI总结 DOne通过解耦结构理解与元素渲染，提升设计到代码生成的高保真度，通过布局分割模块、混合元素检索器和模式引导生成范式，克服了现有方法在结构与细节协调上的不足。