RAG / 检索增强生成

Transforming External Knowledge into Triplets for Enhanced Retrieval in RAG of LLMs

将外部知识转化为三元组以增强LLM中RAG的检索

Xudong Wang, Chaoning Zhang, Qigan Sun, Zhenzhen Huang, Chang Lu, Sheng Zheng, Zeyu Ma, Caiyan Qin, Yang Yang, Hengtao Shen

机构 * School of Computing, Kyung Hee University（韩国庆熙大学计算机学院） ； School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； School of Information and Software Engineering, University of Electronic Science and Technology of China（电子科技大学信息与软件工程学院） ； School of Robotics and Advanced Manufacture, Harbin Institute of Technology（哈尔滨工业大学机器人与先进制造学院） ； School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） 纠错

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

AI总结 Tri-RAG通过结构化三元组构建提升检索效率，减少冗余信息，提高生成质量与资源利用率。

Comments 12 pages, 5 figures

Retrieval as a Decision: Training-Free Adaptive Gating for Efficient RAG

检索作为决策：无需训练的自适应检索门控以实现高效的RAG

Yufeng Wang, Lu wei, Haibin Ling

机构 * Department of Computer Science（计算机科学系） ； Stony Brook University（石溪大学） ； Department of Artificial Intelligence（人工智能系） ； Westlake University（西湖大学） 纠错

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

AI总结 本文提出TARG，一种无需训练的自适应检索门控方法，通过短稿前缀logits计算不确定性评分，仅在评分超过阈值时触发检索，提升RAG的效率与准确性。

Thought-Retriever: Don't Just Retrieve Raw Data, Retrieve Thoughts for Memory-Augmented Agentic Systems

Thought-Retriever: 不只是检索原始数据，为记忆增强型智能体检索思想

Tao Feng, Pengrui Han, Guanyu Lin, Ge Liu, Jiaxuan You

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本文提出Thought-Retriever，一种无需受上下文长度限制的算法，使LLM能基于任意长外部数据生成输出。通过利用历史查询生成的中间响应，构建长期记忆，提升回答能力。

Journal ref Transactions on Machine Learning Research (TMLR), 04/2026

AdversarialCoT: Single-Document Retrieval Poisoning for LLM Reasoning

AdversarialCoT：单文档检索污染用于LLM推理

Hongru Song, Yu-An Liu, Ruqing Zhang, Jiafeng Guo, Maarten de Rijke, Yixing Fan, Xueqi Cheng

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

AI总结 研究针对RAG系统中的知识库污染攻击，提出AdversarialCoT方法，通过单文档污染影响LLM推理，揭示其安全风险并提供改进方案。

Comments 6 pages,accepted by SIGIR 2026 short paper

Benchmarking Foundation Models with Retrieval-Augmented Generation in Olympic-Level Physics Problem Solving

基于检索增强生成在奥林匹克级物理问题求解中的基础模型评估

Shunfeng Zheng, Yudi Zhang, Meng Fang, Zihan Zhang, Zhitan Wu, Mykola Pechenizkiy, Ling Chen

机构 * AAII, University of Technology Sydney, New South Wales, Australia（AAII，悉尼大学，新南威尔士州，澳大利亚） ； Eindhoven University of Technology, Eindhoven, The Netherlands（埃因霍温理工大学，埃因霍温，荷兰） ； University of Liverpool, Liverpool, United Kingdom（利物浦大学，利物浦，英国） ； University of New South Wales, New South Wales, Australia（新南威尔士大学，新南威尔士州，澳大利亚） 纠错

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

AI总结 本文通过PhoPile多模态数据集评估检索增强生成在奥林匹克级物理问题求解中的表现，探讨了基础模型结合检索与物理语料对性能提升的影响及存在的挑战。

Comments Accepted to EMNLP 2025 (Findings)

Retrievals Can Be Detrimental: Unveiling the Backdoor Vulnerability of Retrieval-Augmented Diffusion Models

检索可能有害：揭示检索增强扩散模型的后门漏洞

Hao Fang, Xiaohang Sui, Hongyao Yu, Kuofeng Gao, Jiawei Kong, Sijin Yu, Bin Chen, Shu-Tao Xia

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

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

AI总结 本文揭示了检索增强扩散模型（RDM）的后门漏洞，通过多模态对比攻击方法BadRDM，展示了如何利用检索数据库中的毒害代理进行攻击，同时保持模型的正常功能。

Comments Accepted by ACL-2026

CoRoVA: Compressed Representations for Vector-Augmented Code Completion

CoRoVA：用于向量增强代码补全的压缩表示

Daria Cherniuk, Nikita Sukhorukov, Danil Gusak, Nikita Sushko, Danil Sivtsov, Elena Tutubalina, Evgeny Frolov

机构 * HSE University（俄罗斯莫斯科高等教育学院） 纠错

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

AI总结 CoRoVA通过压缩上下文提升代码补全效率，减少提示扩展并降低延迟，提升生成质量。

The Effect of Document Selection on Query-focused Text Analysis

文档选择对查询导向文本分析的影响

Sandesh S Rangreji, Mian Zhong, Anjalie Field

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 本文评估了七种文档选择策略对四种文本分析方法在两个数据集上的影响，发现语义或混合检索策略能有效避免弱策略的弊端，确立数据选择为方法学决策。

LLM as Attention-Informed NTM and Topic Modeling as long-input Generation: Interpretability and long-Context Capability

LLM作为具有注意力机制的NTM及话题建模作为长输入生成：可解释性与长上下文能力

Xuan Xu, Zhongliang Yang, Haolun Li, Beilin Chu, Rui Tian, Yu Li, Shaolin Tan, Linna Zhou

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； University of Science and Technology Beijing（北京科技大学） ； Beijing Value Simplex Technology Co. Ltd（北京价值简单科技有限公司） ； Zhongguancun Laboratory（中关村实验室） 纠错

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

AI总结 本文从白盒和黑盒视角研究基于LLM的话题建模，提出注意力引导框架恢复可解释结构，并通过长输入任务和信号补偿方法提升性能，验证LLM与NTM的联系及长上下文LLM在话题建模中的潜力。

OctoTools: An Agentic Framework with Extensible Tools for Complex Reasoning

OctoTools: 一个具有可扩展工具的代理框架，用于复杂推理

Pan Lu, Bowen Chen, Sheng Liu, Rahul Thapa, Joseph Boen, James Zou

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 OctoTools通过标准化工具卡、规划器和执行器，提供一种无需训练的多代理框架，实现跨领域复杂推理，其在16种任务中达到9.3%的平均准确率提升。

Comments 88 pages, 18 figures. Accepted to ACL 2026