AI 大模型

RAG / 检索增强生成

检索增强生成、向量检索、知识库问答和面向大模型的搜索系统。

2026-04-09 至 2026-04-09 共收录 3 篇信号源：cs.IR, cs.CL, cs.AI, cs.DB

1. RAG评测 3 篇

2604.03926 2026-04-09 cs.AI cs.CY cs.HC cs.MA 83%

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）

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)

2603.27253 2026-04-09 cs.CL 83%

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

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

2604.06633 2026-04-09 cs.CR cs.CL cs.SE 70%

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）

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。