RAG / 检索增强生成

RefineRAG: Word-Level Poisoning Attacks via Retriever-Guided Text Refinement

RefineRAG：通过检索引导的文本细化实现词级污染攻击

Ziye Wang, Guanyu Wang, Kailong Wang

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

AI总结 RefineRAG通过检索引导的文本细化方法，解决传统污染攻击检测不足的问题，实现高成功率的词级污染攻击，同时保持自然性和低语法错误。

Efficient Federated Search for Retrieval-Augmented Generation using Lightweight Routing

高效联邦搜索用于检索增强生成：使用轻量级路由

Akash Dhasade, Rachid Guerraoui, Anne-Marie Kermarrec, Diana Petrescu, Rafael Pires, Mathis Randl, Martijn de Vos

机构 * EPFL（瑞士联邦理工学院洛桑分校） 纠错

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

AI总结 本文提出RAGRoute，一种轻量级路由机制，通过神经分类器动态选择相关数据源，减少通信开销和端到端延迟，同时保持检索质量，在三个基准测试中实现通信量减少80.65%和延迟减少52.50%。

Comments To appear in the proceedings of DAIS 2026 (Distributed Applications and Interoperable Systems). An earlier version appeared at EuroMLSys 2025

One Shot Dominance: Knowledge Poisoning Attack on Retrieval-Augmented Generation Systems

单文档支配：面向检索增强生成系统的知识污染攻击

Zhiyuan Chang, Mingyang Li, Xiaojun Jia, Junjie Wang, Yuekai Huang, Ziyou Jiang, Yang Liu, Qing Wang

机构 * State Key Laboratory of Intelligent Game（智能游戏国家重点实验室） ； Science and Technology on Integrated Information System Laboratory, Institute of Software Chinese Academy of Sciences（中国科学院软件研究所综合信息系统技术国家级重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出AuthChain攻击方法，通过单文档污染实现对检索增强生成系统更有效的知识污染攻击，提升攻击成功率并保持隐蔽性。

Comments 15pages, 4 figures; accepted by EMNLP 2025 Findings

Tool Retrieval Bridge: Aligning Vague Instructions with Retriever Preferences via Bridge Model

工具检索桥：通过桥模型对模糊指令与检索器偏好进行对齐

Kunfeng Chen, Luyao Zhuang, Fei Liao, Juhua Liu, Jian Wang, Bo Du

机构 * Department of Gastroenterology, Renmin Hospital, Wuhan University（武汉大学人民医院消化内科） ； School of Computer Science, Wuhan University（武汉大学计算机学院） ； State Grid Corporation（国家电网公司） 纠错

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

AI总结 本文提出TRB方法，通过桥模型将模糊指令转化为更具体的指令，提升模糊指令下的工具检索性能，实验表明TRB在多个检索设置下显著提升检索效果。

Comments 14 pages, 6 figures

ReAlign: Optimizing the Visual Document Retriever with Reasoning-Guided Fine-Grained Alignment

ReAlign：通过推理引导的细粒度对齐优化视觉文档检索

Hao Yang, Yifan Ji, Zhipeng Xu, Zhenghao Liu, Yukun Yan, Zulong Chen, Shuo Wang, Yu Gu, Ge Yu

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

AI总结 本文提出ReAlign方法，利用VLM推理能力生成细粒度视觉描述作为监督信号，提升视觉文档检索性能，实验表明在不同领域数据集上均取得2%的相对提升。

Efficient and Effective Internal Memory Retrieval for LLM-Based Healthcare Prediction

高效且有效的内部内存检索用于基于大语言模型的医疗预测

Mingchen Li, Jiatan Huang, Zonghai Yao, Hong yu

机构 * University of Connecticut（康涅狄格大学） ； University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校） ； University of Massachusetts, Lowell（马萨诸塞大学洛厄尔分校） ； UMass Chan Medical School（马萨诸塞大学陈医学院） 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K2K框架，通过内部键基知识访问提升LLM在医疗预测中的效率与准确性，实验显示在四个基准数据集上达到最佳性能。

Comments ACL 2026 (Findings), reviewer score: 3.5,3.5,4

Task-Adaptive Retrieval over Agentic Multi-Modal Web Histories via Learned Graph Memory

基于学习图记忆的代理多模态网络历史任务自适应检索

Saman Forouzandeh, Kamal Berahmand, Mahdi Jalili

机构 * School of Engineering, Royal Melbourne Institute of Technology University（皇家墨尔本理工大学工程学院） 纠错

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

AI总结 本文提出ACGM方法，通过任务自适应图记忆检索代理历史，利用策略梯度优化提升检索质量，在多个数据集上取得显著成果。

Comments The 49th International ACM SIGIR Conference on Research and Development in Information Retrieval

Mina: A Multilingual LLM-Powered Legal Assistant Agent for Bangladesh for Empowering Access to Justice

Mina：一种多语言大语言模型驱动的法律助理代理，用于孟加拉国，以促进获得正义

Azmine Toushik Wasi, Wahid Faisal, Mst Rafia Islam, Md Rizwan Parvez

专题命中 检索器与排序 ：RAG(abstract)；分类 cs.CL

AI总结 Mina通过多语言嵌入和基于RAG的工具链框架，为孟加拉国提供多语言法律助理服务，实现法律文书、引文和通俗解释的生成，经评估在法律考试中表现优异，成本显著降低。

Comments Accepted to ACL 2026 Findings

AnomalyAgent: Agentic Industrial Anomaly Synthesis via Tool-Augmented Reinforcement Learning

AnomalyAgent：通过工具增强强化学习进行代理工业异常合成

Jiaming Su, Tengchao Yang, Ruikang Zhang, Zhengan Yan, Haoyu Sun, Linfeng Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Tongji University（同济大学） ； Fudan University（复旦大学） 纠错

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

AI总结 本文提出AnomalyAgent，通过工具增强强化学习生成高语义真实性的工业异常样本，采用闭环优化和两阶段训练框架，实现自我反思与迭代改进。

PRIME: Training Free Proactive Reasoning via Iterative Memory Evolution for User-Centric Agent

PRIME：通过迭代记忆进化实现无梯度的前瞻性推理以构建以用户为中心的智能体

Prince Zizhuang Wang, Shuli Jiang

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 PRIME通过迭代记忆进化框架，实现无梯度学习，使智能体在多轮人机交互中高效学习用户意图，提升任务执行效率和可解释性。

An Automated Survey of Generative Artificial Intelligence: Large Language Models, Architectures, Protocols, and Applications

生成人工智能的自动化调查：大型语言模型、架构、协议和应用

Eduardo C. Garrido-Merchán, Álvaro López López

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

AI总结 本文调查了生成人工智能领域，重点分析了前沿大型语言模型的架构、训练方法和性能，涵盖多个模型家族及部署协议，总结了各行业应用案例。

Improving Search Suggestions for Alphanumeric Queries

提升字母数字查询的搜索建议

Samarth Agrawal, Jayanth Yetukuri, Diptesh Kanojia, Qunzhi Zhou, Zhe Wu

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR

AI总结 本文提出一种无需训练的字符级检索框架，通过固定长度二进制向量编码字母数字序列，利用汉明距离高效计算相似性，并支持大规模标识符库的最近邻检索，同时通过编辑距离优化精度，适用于生产部署。

Comments Published in Advances in Information Retrieval, 48th European Conference on Information Retrieval, ECIR 2026

DQA: Diagnostic Question Answering for IT Support

DQA：面向IT支持的诊断问题解答

Vishaal Kapoor, Mariam Dundua, Sarthak Ahuja, Neda Kordjazi, Evren Yortucboylu, Vaibhavi Padala, Derek Ho, Jennifer Whitted, Rebecca Steinert

机构 * Amazon（亚马逊） 纠错

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

AI总结 DQA通过维护持续诊断状态和聚合根本原因，提升企业IT支持中的系统性故障排查效率，其在150个匿名场景中取得78.7%的成功率，优于多轮RAG基线的41.3%。

Comments 7 pages, 2 tables, submitted at ACL 2026 Industry Track

Learning to Search: A Decision-Based Agent for Knowledge-Based Visual Question Answering

学习搜索：一种基于决策的知识增强视觉问答代理

Zhuohong Chen, Zhenxian Wu, Yunyao Yu, Hangrui Xu, Zirui Liao, Zhifang Liu, Xiangwen Deng, Pen Jiao, Haoqian Wang

机构 * Tsinghua University（清华大学） ； University of Arizona（亚利桑那大学） ； Hefei University of Technology（合肥工业大学） 纠错

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

AI总结 本文提出基于决策的KB-VQA代理，通过多步骤决策过程解决视觉问答问题，改进检索与推理整合，提升对稀有实体和长尾事实的处理能力。

SUPERGLASSES: Benchmarking Vision Language Models as Intelligent Agents for AI Smart Glasses

SUPERGLASSES：基于智能眼镜的视觉语言模型智能体基准测试

Zhuohang Jiang, Xu Yuan, Haohao Qu, Shanru Lin, Kanglong Liu, Wenqi Fan, Qing Li

机构 * The Hong Kong Polytechnic University（香港理工大学） 纠错

专题命中 知识库问答 ：knowledge retrieval(abstract)；分类 cs.AI

AI总结 本文提出SUPERGLASSES基准，通过真实世界数据评估智能眼镜的多模态交互能力，提出SUPERLENS模型在VQA任务中超越GPT-4o，揭示了任务特定解决方案的重要性。

Journal ref 2026 IEEE/CVF Conference on Computer Vision and Pattern Recognition- FINDINGS Track (CVPRF)

TSUBASA: Improving Long-Horizon Personalization via Evolving Memory and Self-Learning with Context Distillation

TSUBASA：通过动态记忆演化和基于上下文蒸馏的自我学习提升长周期个性化

Xinliang Frederick Zhang, Lu Wang

专题命中 长文档RAG ：RAG(abstract)；分类 cs.CL、cs.AI

AI总结 TSUBASA通过动态记忆演化和基于上下文蒸馏的自我学习，提升个性化大语言模型的长周期任务能力，在Qwen-3模型家族上验证了其有效性，超越了依赖记忆写入的Mem0和Memory-R1系统。

KEO: Knowledge Extraction on OMIn via Knowledge Graphs and RAG for Safety-Critical Aviation Maintenance

KEO：通过知识图谱和RAG进行OMIn的领域知识提取

Kuangshi Ai, Jonathan A. Karr, Meng Jiang, Nitesh V. Chawla, Chaoli Wang

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

专题命中 图谱与结构化RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL

AI总结 KEO通过知识图谱和RAG框架提升航空安全维护中的领域知识提取与推理，实验显示其在全局理解上优于传统文本块RAG，同时保持对细粒度任务的有效性。

Detecting RAG Advertisements Across Advertising Styles

跨广告风格检测RAG广告

Sebastian Heineking, Wilhelm Pertsch, Ines Zelch, Janek Bevendorff, Benno Stein, Matthias Hagen, Martin Potthast

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

AI总结 本文提出了一种广告风格分类体系，模拟广告商通过改变风格逃避检测，并评估了多种广告检测方法在不同风格变化下的鲁棒性。

Understanding Structured Financial Data with LLMs: A Case Study on Fraud Detection

用大型语言模型理解结构化金融数据：欺诈检测案例研究

Xuwei Tan, Yao Ma, Xueru Zhang

机构 * The Ohio State University（俄亥俄州立大学） ； Coinbase, Inc.（Coinbase公司） 纠错

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

AI总结 本文提出FinFRE-RAG方法，通过特征缩减和检索增强学习提升欺诈检测性能，优于直接提示方法并在某些设置中与传统模型竞争。

Comments Accepted to ACL 2026 Main Conference

Towards Effective Long Video Understanding of Multimodal Large Language Models via One-shot Clip Retrieval

通过一次剪辑检索增强多模态大语言模型的长视频理解

Tao Chen, Shaobo Ju, Qiong Wu, Chenxin Fang, Kun Zhang, Jun Peng, Hui Li, Yiyi Zhou, Rongrong Ji

机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China（多媒体可信感知与高效计算教育部重点实验室） ； Xiamen University（厦门大学） 纠错

专题命中 多模态RAG ：retrieval-augmented generation(abstract)；RAG(abstract)

AI总结 本文提出OneClip-RAG方法，通过一次剪辑检索提升多模态大语言模型对长视频的理解能力，改进知识完整性和语义连贯性，并设计新数据集和训练方案。

Lang2Act: Fine-Grained Visual Reasoning through Self-Emergent Linguistic Toolchains

Lang2Act: 通过自涌现语言工具链实现细粒度视觉推理

Yuqi Xiong, Chunyi Peng, Zhipeng Xu, Zhenghao Liu, Zulong Chen, Yukun Yan, Shuo Wang, Yu Gu, Ge Yu

机构 * School of Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Tsinghua University, Beijing, China（清华大学计算机科学与技术系） ； Alibaba Group, Hangzhou, China（阿里巴巴集团） 纠错

专题命中 多模态RAG ：retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 Lang2Act通过自涌现语言工具链提升视觉感知与推理能力，采用强化学习框架优化VLMs的视觉感知和下游任务性能，实验显示其在视觉感知能力上有显著提升。

Fundus-R1: Training a Fundus-Reading MLLM with Knowledge-Aware Reasoning on Public Data

Fundus-R1: 基于公共数据训练具备知识感知推理能力的视网膜图像阅读MLLM

Yuchuan Deng, Qijie Wei, Kaiheng Qian, Jiazhen Liu, Zijie Xin, Bangxiang Lan, Jingyu Liu, Jianfeng Dong, Xirong Li

机构 * Renmin University of China（中国人民大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Zhejiang Gongshang University（浙江工商大学） 纠错

专题命中 多模态RAG ：RAG(abstract)

AI总结 本文提出Fundus-R1，通过公共数据集训练具备知识感知推理能力的视网膜图像阅读MLLM，采用RAG方法生成知识感知推理轨迹，并通过过程奖励增强RLVR，实验证明其在三个基准测试中优于多个基线模型。

Are we still able to recognize pearls? Machine-driven peer review and the risk to creativity: An explainable RAG-XAI detection framework with markers extraction

我们仍然能识别珍珠吗？机器驱动的同行评审与创造力风险：一个可解释的RAG-XAI检测框架与标记提取

Alin-Gabriel Văduva, Simona-Vasilica Oprea, Adela Bâra

机构 * Bucharest University of Economic Studies（布加勒斯特经济研究大学） 纠错

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

AI总结 本文提出RAG-XAI框架，通过标记提取检测自动化评审，以保留科学的透明度和创造力，实验显示其在检测性能上显著优于传统方法。

BenchBrowser: Retrieving Evidence for Evaluating Benchmark Validity

BenchBrowser：用于评估基准有效性证据的检索

Harshita Diddee, Gregory Yauney, Swabha Swayamdipta, Daphne Ippolito

机构 * Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） ； Thomas Lord Department of Computer Science, University of Southern California（南加州大学托马斯·洛德计算机科学系） 纠错

专题命中 RAG评测 ：retriever(abstract)；分类 cs.CL、cs.AI

AI总结 BenchBrowser通过检索20个基准测试集中的相关评估项目，帮助评估者诊断基准测试在内容有效性与收敛有效性上的不足，从而弥补实践者意图与实际测试内容之间的差距。

Regret-Aware Policy Optimization: Environment-Level Memory for Replay Suppression under Delayed Harm

考虑后悔的策略优化：环境层面的记忆用于回放抑制在延迟伤害下

Prakul Sunil Hiremath

机构 * Department of Computer Science and Engineering, VTU, Belagavi, India（印度贝尔高姆VTU计算机科学与工程系） ； Aliens on Earth (AoE) Autonomous Research Group, Belagavi, India（印度贝尔高姆地球外星人自主研究小组） 纠错

专题命中 RAG评测 ：RAG(abstract)；分类 cs.AI

AI总结 本文提出RAPO方法，通过环境层面的记忆机制抑制回放，减少有害区域的可达性，从而提升安全性和任务性能。

Comments 18 pages, 3 figures. Includes theoretical analysis and experiments on graph diffusion environments

OrgForge: A Multi-Agent Simulation Framework for Verifiable Synthetic Corporate Corpora

OrgForge：一种用于可验证合成企业语料的多智能体仿真框架

Jeffrey Flynt

专题命中 RAG评测 ：分类 cs.IR、cs.CL、cs.AI；RAG(comments)

AI总结 OrgForge通过多智能体仿真框架生成一致且可追溯的合成企业语料，解决现有语料在法律约束和幻觉问题上的不足，提升AI系统评估的准确性。

Comments v2: Major revision. Recenters the paper on the simulation framework as the primary contribution. System Architecture substantially expanded (CRM state machine, Knowledge Recovery Arc, multi-pathway knowledge gap detection, embedding-based ticket assignment). Introduction restructured for broader framing. RAG retrieval baselines replaced by cross-document consistency evaluation

From Binary Groundedness to Support Relations: Towards a Reader-Centred Taxonomy for Comprehension of AI Output

从二元 groundedness 到支持关系：迈向以读者为中心的 AI 输出理解分类体系

Advait Sarkar, Christian Poelitz, Viktor Kewenig

专题命中 RAG评测 ：retrieval augmented generation(abstract)

AI总结 本文提出以读者为中心的 groundedness 分类体系，旨在通过支持关系提升 AI 输出理解的透明度和可解释性。

Comments Advait Sarkar, Christian Poelitz, and Viktor Kewenig. 2026. From Binary Groundedness to Support Relations: Towards a Reader-Centred Taxonomy for Comprehension of AI Output. ACM CHI 2026 Workshop on Science and Technology for Augmenting Reading (CHI '26 STAR) ACM CHI 2026 Workshop on Science and Technology for Augmenting Reading (CHI '26 STAR)