RAG / 检索增强生成

Generative Retrieval Overcomes Limitations of Dense Retrieval but Struggles with Identifier Ambiguity

生成检索克服了密集检索的局限性，但难以处理标识符歧义

Adrian Bracher, Svitlana Vakulenko

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

AI总结 本文通过合成数据集LIMIT研究生成检索的优劣，发现其在无额外训练时表现最佳，但添加难样本后性能下降，揭示解码机制失效问题。

Comments Work in progress

A Graph-Enhanced Defense Framework for Explainable Fake News Detection with LLM

一种基于图的增强防御框架用于可解释的假新闻检测与大语言模型

Bo Wang, Jing Ma, Hongzhan Lin, Zhiwei Yang, Ruichao Yang, Yuan Tian, Yi Chang

机构 * School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； Hong Kong Baptist University（香港浸会大学） ； Guangdong Institute of Smart Education, Jinan University（暨南大学广东智慧教育研究院） ； University of Science and Technology Beijing（北京科技大学） ； Engineering Research Center of Knowledge-Driven Human-Machine Intelligence（知识驱动人机智能教育部工程研究中心） ； International Center of Future Science, Jilin University（吉林大学未来科学国际合作中心） 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G-Defense框架，通过构建以声明为中心的图，利用检索增强生成技术获取证据并生成竞争性解释，以提高假新闻检测的准确性和解释质量。

Comments Accepted by TOIS

Region-R1: Reinforcing Query-Side Region Cropping for Multi-Modal Re-Ranking

Region-R1: 增强多模态重排序的查询侧区域裁剪

Chan-Wei Hu, Zhengzhong Tu

机构 * Texas A&M University（德克萨斯A&M大学） 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 Region-R1通过在重排序阶段引入区域裁剪机制，提升多模态重排序的鲁棒性，实验表明其在E-VQA和InfoSeek基准上显著提升召回率。

Comments 12 pages, 4 figures, accepted to ACL 2026 Findings, code available at https://github.com/taco-group/Region-R1

ChunQiuTR: Time-Keyed Temporal Retrieval in Classical Chinese Annals

ChunQiuTR: 经典汉语编年史中的时间键检索

Yihao Wang, Zijian He, Jie Ren, Keze Wang

机构 * Sun Yat-Sen University（中山大学） ； Shaanxi Normal University（陕西师范大学） 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ChunQiuTR基准，通过编年史和注释传统构建，结合傅里叶绝对日历上下文与相对偏移偏差，提升时间键检索的准确性，支持历史RAG的忠实生成。

Comments 24 pages, 11 figures. To appear in Findings of ACL 2026

From Exposure to Internalization: Dual-Stream Calibration for In-context Clinical Reasoning

从暴露到内化：用于上下文临床推理的双流校准

Chuang Zhao, Hongke Zhao, Xiaofang Zhou, Xiaomeng Li

机构 * Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（香港科技大学电子与计算机工程系） ； College of Management and Economics, Laboratory of Computation and Analytics of Complex Management Systems (CACMS), Tianjin University（天津大学管理与经济学部、复杂管理系统计算与分析实验室） ； Department of Computer Science and Engineering, The Hong Kong University of Science and Technology（香港科技大学计算机科学与工程系） 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 本文提出双流校准框架，通过协同对齐两个校准流实现深度内化，提升临床推理的上下文适应能力，验证表明其在三个任务中优于现有方法。

Robustness Risk of Conversational Retrieval: Identifying and Mitigating Noise Sensitivity in Qwen3-Embedding Model

对话检索的鲁棒性风险：识别和缓解Qwen3-嵌入模型中的噪声敏感性

Weishu Chen, Zhouhui Hou, Mingjie Zhan, Zhicheng Zhao, Fei Su

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； SenseTime（商汤科技） ； Beijing Key Laboratory of Network System and Network Culture（网络系统与网络文化北京市重点实验室） 纠错

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

AI总结 研究探讨了基于嵌入的对话检索在现实场景中的鲁棒性问题，发现未提示查询时，结构化对话噪声易被检索，影响排名稳定性，提出轻量级查询提示可缓解此问题。

MARVEL: Multimodal Adaptive Reasoning-intensiVe Expand-rerank and retrievaL

MARVEL：多模态自适应推理-增强扩展-排序和检索

Mahmoud SalahEldin Kasem, Mohamed Mahmoud, Mostafa Farouk Senussi, Mahmoud Abdalla, Abdelrahman Abdallah, Hyun-Soo Kang

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

AI总结 本文提出MARVEL框架，通过统一的扩展-检索-排序流程，结合LLM驱动的查询扩展、增强推理的密集检索器和基于GPT-4o的逐步推理排序，提升了多模态检索性能，在MM-BRIGHT基准上实现了37.9nDCG@10的高分。

SciPostGen: Bridging the Gap between Scientific Papers and Poster Layouts

SciPostGen：弥合科学论文与海报布局之间的差距

Shun Inadumi, Shohei Tanaka, Tosho Hirasawa, Atsushi Hashimoto, Koichiro Yoshino, Yoshitaka Ushiku

机构 * OMRON SINIC X Corp.（欧姆龙SINIC X公司） ； NAIST（奈良先端科学技术大学院大学） ； The University of Osaka（大阪大学） 纠错

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

AI总结 本文提出SciPostGen数据集，用于生成基于科学论文的海报布局，通过分析论文结构与布局元素数量的关系，探索检索增强的海报布局生成框架，实验表明该框架能生成符合论文结构和约束条件的布局。

Comments CVPR2026 Findings

HIVE: Query, Hypothesize, Verify An LLM Framework for Multimodal Reasoning-Intensive Retrieval

HIVE：一种用于多模态推理密集检索的LLM框架

Mahmoud Abdalla, Mahmoud SalahEldin Kasem, Mohamed Mahmoud, Mostafa Farouk Senussi, Abdelrahman Abdallah, Hyun-Soo Kang

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

AI总结 HIVE通过引入LLM进行显式视觉-文本推理，提升多模态检索效果，达到41.7的nDCG@10，优于现有文本和多模态模型。

Comments accepted at CVPR 2026 Workshop GRAIL-V

AutoUE: Automated Generation of 3D Games in Unreal Engine via Multi-Agent Systems

AutoUE：通过多智能体系统自动化生成Unreal引擎中的3D游戏

Lei Yin, Wentao Cheng, Zhida Qin, Tianyu Huang, Yidong Li, Gangyi Ding

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

AI总结 本文提出AutoUE系统，通过多智能体协同实现3D游戏的端到端生成，涵盖模型检索、场景生成、代码合成及自动化测试，验证了其有效性。

Comments Accepted as a ACL'26 Findings full paper

SwarmIO: Towards 100 Million IOPS SSD Emulation for Next-generation GPU-centric Storage Systems

SwarmIO：面向下一代GPU-centric存储系统的1亿IOPS SSD仿真

Hyeseong Kim, Gwangoo Yeo, Minsoo Rhu

专题命中 向量检索 ：vector search(abstract)

AI总结 本文提出SwarmIO，一种支持大规模并行GPU-centric存储的SSD仿真器，通过高效建模实现高达40 MIOPS的IOPS优化，比现有最佳方案快303.9倍，并通过向量搜索案例展示其性能提升。

A Systematic Study of Retrieval Pipeline Design for Retrieval-Augmented Medical Question Answering

检索增强医疗问答中检索流程设计的系统研究

Nusrat Sultana, Abdullah Muhammad Moosa, Kazi Afzalur Rahman, Sajal Chandra Banik

机构 * Department of Mechatronics & Industrial Engineering, Chittagong University of Engineering & Technology（吉大港工程与技术大学机电与工业工程系） ； Department of Mechanical Engineering, Chittagong University of Engineering & Technology（吉大港工程与技术大学机械工程系） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；dense retrieval(abstract)；knowledge retrieval(abstract)

AI总结 本文系统评估了检索增强医疗问答的性能，发现检索增强显著提升了零样本医疗问答效果，最佳配置为密集检索加查询改写和重排序，准确率达60.49%。

DTCRS: Dynamic Tree Construction for Recursive Summarization

DTCRS: 动态树构建用于递归摘要

Guanran Luo, Zhongquan Jian, Wentao Qiu, Meihong Wang, Qingqiang Wu

机构 * School of Informatics, Xiamen University（厦门大学信息学院） 纠错

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

AI总结 DTCRS通过动态生成摘要树减少冗余，提升摘要与问题的相关性，从而加快构建时间并改进三个问答任务的性能。

Plasma GraphRAG: Physics-Grounded Parameter Selection for Gyrokinetic Simulations

等离子体图RAG：用于磁流体动力学模拟的物理基础参数选择

Ruichen Zhang, Feda AlMuhisen, Chenguang Wan, Zhisong Qu, Kunpeng Li, Youngwoo Cho, Kyungtak Lim, Virginie Grandgirard, Xavier Garbet

机构 * Nanyang Technological University（南洋理工大学） ； CEA, IRFM（法国原子能委员会，磁聚变研究所） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； School of Physical and Mathematical Sciences, Nanyang Technological University（南洋理工大学物理与数学科学学院） 纠错

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

AI总结 本文提出Plasma GraphRAG，结合图检索增强生成与大语言模型，实现自动化、物理基础的参数范围识别，提升模拟可靠性并加速科学发现。

Comments 9 pages, 8 figures

Towards the Development of an LLM-Based Methodology for Automated Security Profiling in Compliance with Ukrainian Cybersecurity Regulations

迈向基于大语言模型的自动化安全配置方法的开发：符合乌克兰网络安全法规

Daniil Shafranskyi, Iryna Stopochkina, Mykola Ilin

机构 * National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”（乌克兰国立技术大学“伊戈尔·西科尔斯基基辅理工学院”） 纠错

专题命中 图谱与结构化RAG ：RAG(abstract)；分类 cs.AI

AI总结 本文探讨将国际最佳实践整合到国家监管体系中，提出利用大语言模型实现自动化安全配置的方法，以应对高密度混合威胁环境下的网络安全挑战。

Comments 12 pages, 2 figures

ARIA: Adaptive Retrieval Intelligence Assistant -- A Multimodal RAG Framework for Domain-Specific Engineering Education

ARIA：自适应检索智能助手——面向领域特定工程教育的多模态RAG框架

Yue Luo, Dibakar Roy Sarkar, Rachel Herring Sangree, Somdatta Goswami

机构 * Dalian University of Technology（大连理工大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 ARIA通过多模态内容提取管道和e5-large-v2模型，实现领域特定工程教育的智能教学助手，展现高精度和教学一致性，验证了其在课程相关问题上的高准确率和响应质量。

Specializing Large Models for Oracle Bone Script Interpretation via Component-Grounded Multimodal Knowledge Augmentation

通过组件导向的多模态知识增强专门化大型模型进行甲骨文解读

Jianing Zhang, Runan Li, Honglin Pang, Ding Xia, Zhou Zhu, Qian Zhang, Chuntao Li, Xi Yang

机构 * College of Software, Jilin University（吉林大学软件学院） ； School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院） ； School of Archaeology, Jilin University（吉林大学考古学院） ； Engineering Research Center of Knowledge-Driven Human-Machine Intelligence, MoE, China（教育部知识驱动人机智能工程研究中心） 纠错

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

AI总结 本文提出一种基于组件的多模态知识增强框架，利用视觉语言模型和语言模型代理进行组件识别与语义推理，通过专家标注的OB-Radix数据集提升甲骨文解读的精度与细节。

BRIDGE: Multimodal-to-Text Retrieval via Reinforcement-Learned Query Alignment

BRIDGE：通过强化学习查询对齐实现多模态到文本检索

Mohamed Darwish Mounis, Mohamed Mahmoud, Shaimaa Sedek, Mahmoud Abdalla, Mahmoud SalahEldin Kasem, Abdelrahman Abdallah, Hyun-Soo Kang

机构 * High institute for computer & information systems（高等计算机与信息系统学院） ； Chungbuk National University（忠北大学） ； Assiut University（艾斯尤特大学） ； University of Innsbruck（因斯布鲁克大学） 纠错

专题命中 多模态RAG ：retriever(abstract)；分类 cs.IR

AI总结 BRIDGE通过强化学习查询对齐模型和增强神经搜索检索器，解决多模态查询在文本库中的检索问题，实现优于多模态编码器的nDCG@10性能。

Comments Accepted at CVPR 2026 Workshop GRAIL-V

CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation

CODE-GEN：一种基于检索增强生成的多选题生成人机协作人工智能系统

Xiaojing Duan, Frederick Nwanganga, Chaoli Wang

机构 * University of Notre Dame（圣母大学） 纠错

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

AI总结 CODE-GEN通过生成与课程目标一致的多选题提升学生代码推理能力，采用生成器和验证器代理，结合专用工具提高准确性，评估结果显示系统在七个教学维度上表现优异，但人类专家仍需参与设计教学性干扰项和反馈质量。

Comments Full version of the paper accepted as a short paper at the 27th International Conference on Artificial Intelligence in Education (AIED 2026)

Mitigating Hallucination on Hallucination in RAG via Ensemble Voting

通过集成投票缓解RAG中的幻觉

Zequn Xie, Zhengyang Sun

机构 * Polytechnic Institute Zhejiang University Hangzhou, China ； School of Computer Science ； Technology Xinjiang University Urumqi, China 纠错

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

AI总结 本文提出VOTE-RAG框架，通过集成投票机制缓解RAG中的幻觉问题，实验表明其性能优于复杂框架，且结构简单、并行高效。

Comments arXiv admin note: text overlap with arXiv:2505.18581 by other authors

Argus: Reorchestrating Static Analysis via a Multi-Agent Ensemble for Full-Chain Security Vulnerability Detection

Argus：通过多智能体集合重新编排静态分析以实现全链路安全漏洞检测

Zi Liang, Qipeng Xie, Jun He, Bohuan Xue, Weizheng Wang, Yuandao Cai, Fei Luo, Boxian Zhang, Haibo Hu, Kaishun Wu

机构 * The Hong Kong Polytechnic University（香港理工大学） ； HKUST（香港科技大学） ； SF Express（顺丰速运） ； Great Bay University（大湾区大学） 纠错

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

AI总结 Argus通过多智能体框架提升静态分析效率，结合RAG和ReAct技术减少漏洞误报，发现更多真实漏洞并降低运营成本。