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