RAG / 检索增强生成

Beyond the Parameters: A Technical Survey of Contextual Enrichment in Large Language Models: From In-Context Prompting to Causal Retrieval-Augmented Generation

超越参数：大型语言模型中上下文丰富技术的综述：从上下文提示到因果检索增强生成

Prakhar Bansal, Shivangi Agarwal

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

AI总结 本文综述了大型语言模型中通过增加结构化上下文来提升性能的技术，涵盖上下文学习、提示工程、检索增强生成等方法，并提出透明的文献筛选协议和可信检索增强NLP的研究优先级。

Comments 7 pages, 4 tables

Principled and Scalable Diversity-Aware Retrieval via Cardinality-Constrained Binary Quadratic Programming

基于卡数约束二元二次规划的原理化可扩展多样性检索

Qiheng Lu, Nicholas D. Sidiropoulos

机构 * University of Virginia（弗吉尼亚大学） 纠错

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

AI总结 本文提出基于卡数约束二元二次规划的多样性检索方法，通过可解释的权衡参数平衡相关性和语义多样性，并在组合优化最新进展基础上，开发了非凸紧连续松弛和基于Frank-Wolfe的算法，实验表明在相关性-多样性帕累托前沿上优于基线方法且效率显著提升。

Adaptive Guidance for Retrieval-Augmented Masked Diffusion Models

适应性引导的检索增强掩码扩散模型

Jaemin Kim, Jong Chul Ye

机构 * KAIST（韩国科学技术院） 纠错

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

AI总结 本文提出ARAM框架，通过动态校准引导尺度提升检索增强扩散模型在知识密集型问答中的性能。

Improving MPI Error Detection and Repair with Large Language Models and Bug References

利用大语言模型和Bug参考改进MPI错误检测与修复

Scott Piersall, Yang Gao, Shenyang Liu, Liqiang Wang

机构 * Dept. of Computer Science, University of Central Florida（中佛罗里达大学计算机科学系） 纠错

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

AI总结 本文提出结合Few-Shot Learning、Chain-of-Thought和Retrieval Augmented Generation技术，提升大语言模型在MPI错误检测与修复中的准确性，实验结果显示错误检测准确率从44%提升至77%。

Comments 41 pages, 8 figures

Journal ref Journal of Parallel and Distributed Computing, Volume 213, 2026, 105255, ISSN 0743-7315

Domain-Adapted Retrieval for In-Context Annotation of Pedagogical Dialogue Acts

领域适应的检索用于上下文注释教学对话行为

Jinsook Lee, Kirk Vanacore, Zhuqian Zhou, Bakhtawar Ahtisham, Rene F. Kizilcec

机构 * Cornell University（康奈尔大学） 纠错

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

AI总结 本文提出一种领域适应的RAG流水线，用于教学对话行为标注，通过轻量级嵌入模型在对话层面索引以提高标注精度，实验显示其在两个真实教学对话数据集上显著优于无检索基线。

Comments 20 pages, 20 tables, 4 figures

Synapse: Evolving Job-Person Fit with Explainable Two-phase Retrieval and LLM-guided Genetic Resume Optimization

Synapse：通过可解释的双阶段检索和LLM引导的遗传简历优化实现就业-个人匹配

Ansel Kaplan Erol, Seohee Yoon, Keenan Hom, Xisheng Zhang

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 Synapse通过双阶段检索和遗传优化提升招聘推荐系统，解决信息不平衡问题，提高推荐精度和透明度，实验显示nDCG@10提升22%。

SelRoute: Query-Type-Aware Routing for Long-Term Conversational Memory Retrieval

SelRoute：基于查询类型的长期对话记忆检索路由

Matthew McKee

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

AI总结 SelRoute通过根据查询类型选择专用检索管道提升长期对话记忆检索效果，实验显示其在多个基准测试中表现优异，但存在推理密集型检索任务的失败模式。

Comments 12 pages, 12 tables, 3 appendices

What Are Adversaries Doing? Automating Tactics, Techniques, and Procedures Extraction: A Systematic Review

对手在做什么？自动化战术、技术和程序提取：系统综述

Mahzabin Tamanna, Shaswata Mitra, Md Erfan, Ahmed Ryan, Sudip Mittal, Laurie Williams, Md Rayhanur Rahman

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

AI总结 本文系统分析了80篇研究，探讨了从非结构化文本中提取攻击TTPs的方法、数据源、模型和评估，揭示了技术分类为主流，而战术分类和搜索研究不足，且存在单标签分类、评估有限等问题。