RAG / 检索增强生成

Matlas: A Semantic Search Engine for Mathematics

Matlas：数学语义搜索引擎

Haocheng Ju, Leheng Chen, Peihao Wu, Bryan Dai, Bin Dong

机构 * School of Mathematical Sciences, Peking University（北京大学数学科学学院） ； Beijing International Center for Mathematical Research, Peking University（北京大学北京国际数学研究中心） ； IQuest Research（IQuest研究） ； Beijing International Center for Mathematical Research and the New Cornerstone Science Laboratory, Peking University（北京大学北京国际数学研究中心和新基石科学实验室） ； Center for Machine Learning Research, Peking University（北京大学机器学习研究中心） ； Center for Intelligent Computing, Great Bay Institute for Advanced Study, Great Bay University（大亚湾先进研究所智能计算中心） ； Zhongguancun Academy（中关村学院） 纠错

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

AI总结 Matlas通过构建大规模数学语义库，实现数学陈述的高效检索，提升数学家定理检索效率并为AI系统提供数学知识基础。

Comments Web Service: https://matlas.ai/, API Docs: https://matlas.ai/docs

GraphRAG-Router: Learning Cost-Efficient Routing over GraphRAGs and LLMs with Reinforcement Learning

GraphRAG-Router: 通过强化学习学习高效的图RAGs和LLM路由

Dongzhe Fan, Chuanhao Ji, Zimu Wang, Tong Chen, Qiaoyu Tan

机构 * Department of Computer Science, New York University (Shanghai)（纽约大学（上海）计算机科学系） ； Department of Computer Science, University of Liverpool（利物浦大学计算机科学系） 纠错

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

AI总结 本文提出GraphRAG-Router，通过分层路由策略协调异构图RAGs和生成LLM，通过强化学习优化生成分配，降低大模型使用成本并提升泛化能力。

ArbGraph: Conflict-Aware Evidence Arbitration for Reliable Long-Form Retrieval-Augmented Generation

ArbGraph：面向可靠长形式检索增强生成的冲突感知证据仲裁

Qingying Niu, Yuhao Wang, Ruiyang Ren, Bohui Fang, Wayne Xin Zhao

机构 * Gaoling School of Artificial Intelligence（高岭人工智能学院） ； Renmin University of China（中国人民大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 ArbGraph通过预生成阶段的证据仲裁解决长形式RAG中的事实冲突，提升事实一致性与信息密度，减少幻觉和检索噪声影响。

Comments 23 pages, 4 figures

DocQAC: Adaptive Trie-Guided Decoding for Effective In-Document Query Auto-Completion

DocQAC：适应性前缀引导解码用于高效的文档内查询自动补全

Rahul Mehta, Kavin R, Indrajit Pal, Tushar Abhishek, Pawan Goyal, Manish Gupta

机构 * Microsoft Corporation（微软公司） ； Indian Institute of Technology（印度理工学院） ； Indian Institute of Technology Kharagpur（印度理工学院卡拉格浦） 纠错

专题命中 长文档RAG ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 DocQAC通过适应性前缀引导解码框架提升长文档内的搜索效率，利用文档特定上下文增强查询精度，优于现有基线模型。

MegaRAG: Multimodal Knowledge Graph-Based Retrieval Augmented Generation

MegaRAG：基于多模态知识图谱的检索增强生成

Chi-Hsiang Hsiao, Yi-Cheng Wang, Tzung-Sheng Lin, Yi-Ren Yeh, Chu-Song Chen

机构 * Department of Computer Science and Information Engineering, National Taiwan University（国立台湾大学计算机科学与信息工程系） ； Department of Mathematics, National Kaohsiung Normal University（高雄师范大学数学系） ； FinTech Center, National Taiwan University（国立台湾大学金融科技中心） ； E.SUN Financial Holding Co., Ltd.（E.SUN财务公司） 纠错

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

AI总结 MegaRAG通过引入多模态知识图谱，提升大语言模型在跨模态推理中的内容理解能力，在文本和多模态语料中均优于现有RAG方法。

Comments ACL 2026

CBR-to-SQL: Rethinking Retrieval-based Text-to-SQL using Case-based Reasoning in the Healthcare Domain

CBR-to-SQL：重新思考基于检索的文本到SQL方法：在医疗领域使用基于案例的推理

Hung Nguyen, Hans Moen, Pekka Marttinen

机构 * Department of Computer Science Aalto University（奥卢大学计算机科学系） ； Department of Clinical Medicine Aalborg University（奥尔堡大学临床医学系） 纠错

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

AI总结 本文提出CBR-to-SQL框架，通过分解检索增强生成的两阶段检索，提升医疗领域文本到SQL的准确性和效率。

What Makes AI Research Replicable? Executable Knowledge Graphs as Scientific Knowledge Representations

什么使AI研究可重复？可执行知识图谱作为科学知识表示

Yujie Luo, Zhuoyun Yu, Xuehai Wang, Yuqi Zhu, Ningyu Zhang, Lanning Wei, Lun Du, Da Zheng, Huajun Chen

机构 * Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； Zhejiang University - Ant Group Joint Laboratory of Knowledge Graph（知识图谱联合实验室） 纠错

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

AI总结 本文提出可执行知识图谱(xKG)，通过整合文献中的代码片段和技术洞察，提升AI研究的可重复性，实验显示其在PaperBench上性能提升显著。

Comments ACL 2026

Injecting Structured Biomedical Knowledge into Language Models: Continual Pretraining vs. GraphRAG

将结构化生物医学知识注入语言模型：持续预训练与GraphRAG

Jaafer Klila, Sondes Bannour Souihi, Rahma Boujelben, Nasredine Semmar, Lamia Hadrich Belguith

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

AI总结 本文提出通过持续预训练和GraphRAG两种方法将结构化生物医学知识注入语言模型，提升其在生物医学领域的表现，实验显示BERTUMLS在知识密集型问答任务中表现优异，GraphRAG在PubMedQA和BioASQ上提升显著。

Comments Accepted at LREC 2026

The Provenance Gap in Clinical AI: Evidence-Traceable Temporal Knowledge Graphs for Rare Disease Reasoning

临床AI中的溯源差距：用于罕见疾病推理的证据可追溯时间知识图谱

Md Shamim Ahmed, Maja Dusanic, Moritz Nikolai Kirschner, Elisabeth Nyoungui, Jana Zschüntzsch, Lukas Galke Poech, Richard Röttger

机构 * Department of Mathematics and Computer Science, University of Southern Denmark（丹麦南方大学数学与计算机科学系） ； Universitätsmedizin Göttingen（哥廷根大学医学中心） 纠错

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

AI总结 本文提出HEG-TKG系统，通过时间知识图谱提升临床推理的证据可追溯性，实现100%证据可验证性，同时保证安全性和完整性。

Comments 32 pages, 9 figures, 7 tables. Will submit to npj Digital Medicine. Supplementary materials included

Query-Efficient Agentic Graph Extraction Attacks on GraphRAG Systems

高效查询的代理图提取攻击对GraphRAG系统

Shuhua Yang, Jiahao Zhang, Yilong Wang, Dongwon Lee, Suhang Wang

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） 纠错

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

AI总结 本文提出AGEA框架，通过引导探索与利用策略、外部图记忆模块和两阶段图提取流程，高效恢复GraphRAG系统的隐藏图结构，在医疗、农业和文学数据集上表现优异。

Comments To be published in ACL Main 2026

LVLM-Aware Multimodal Retrieval for RAG-Based Medical Diagnosis with General-Purpose Models

面向RAG的医疗诊断的LVLM感知多模态检索

Nir Mazor, Tom Hope

机构 * School of Computer Science and Engineering, The Hebrew University of Jerusalem（希伯来大学耶路撒冷分校计算机科学与工程学院） ； The Allen Institute for AI (AI2)（人工智能研究院（AI2）） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retriever(abstract)

AI总结 本文提出轻量级机制提升检索增强LVLM的诊断性能，通过轻量微调和通用模型实现临床分类和VQA任务的竞争力结果，并分析不一致检索预测问题。

Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding

超越上下文的规模：文档理解的多模态检索增强生成综述

Sensen Gao, Shanshan Zhao, Xu Jiang, Lunhao Duan, Yong Xien Chng, Qing-Guo Chen, Weihua Luo, Kaifu Zhang, Jia-Wang Bian, Mingming Gong

机构 * MBZUAI ； Alibaba Group（阿里巴巴集团） ； Tsinghua University（清华大学） ； Wuhan University（武汉大学） ； Nanyang Technological University（南洋理工大学） ； University of Melbourne（墨尔本大学） 纠错

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

AI总结 本文综述了多模态检索增强生成在文档理解中的应用，提出基于领域、检索模态和粒度的分类体系，总结了关键数据集、基准测试和行业应用，指出了效率、细粒度表示和鲁棒性等挑战。

Comments Accepted by ACL2026 Main Conference; Project is available at https://github.com/SensenGao/Multimodal-RAG-Survey-For-Document

MARA: A Multimodal Adaptive Retrieval-Augmented Framework for Document Question Answering

MARA：一种多模态自适应检索增强框架用于文档问答

Hui Wu, Haoquan Zhai, Yuchen Li, Hengyi Cai, Peirong Zhang, Yidan Zhang, Lei Wang, Chunle Wang, Yingyan Hou, Shuaiqiang Wang, Dawei Yin

机构 * Key Laboratory of Target Cognition and Application Technology (TCAT), AIRI, CAS（目标认知与应用技术重点实验室（TCAT），空气动力研究所，中国科学院） ； School of Electronic, Electrical and Communication Engineering, UCAS（电子、电气与通信工程学院，中国科学院大学） ； Aerospace Information Research Institute, Chinese Academy of Sciences（航天信息研究所，中国科学院） ； Baidu Inc.（百度公司） 纠错

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

AI总结 MARA框架通过引入查询自适应机制提升多模态文档检索与生成的精度和质量，实验表明其在多模态问答基准上优于现有最先进方法。

RAG-DIVE: A Dynamic Approach for Multi-Turn Dialogue Evaluation in Retrieval-Augmented Generation

RAG-DIVE: 多轮对话中检索增强生成系统动态评估方法

Lorenz Brehme, Benedikt Dornauer, Jan-Henrik Böttcher, Klaus Schmid, Mircea-Cristian Racasan, Ruth Breu

机构 * University of Innsbruck（因斯布鲁克大学） ； University of Hildesheim（希尔德斯海姆大学） ； c.c.com Moser GmbH（c.c.com Moser公司） 纠错

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

AI总结 RAG-DIVE通过动态模拟用户交互，评估多轮对话中检索增强生成系统的动态性能，提出对话生成、验证和评估三个核心组件，验证了其在动态交互中的有效性。

Comments Accepted for publication at CAIN 2026 (5th International Conference on AI Engineering)

Is Agentic RAG worth it? An experimental comparison of RAG approaches

代理RAG值得吗？RAG方法的实验比较

Pietro Ferrazzi, Milica Cvjeticanin, Alessio Piraccini, Davide Giannuzzi

机构 * Fondazione Bruno Kessler（布鲁诺·科塞拉基金会） ； University of Padova（帕多瓦大学） ； Cargill Geneve（卡吉尔日内夫） ； Alkemy（阿尔凯米） ； Komebi Studio（科梅比工作室） 纠错

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

AI总结 本文通过多场景多维度实验比较了增强型和代理型RAG方法，揭示了两者在性能与成本上的权衡，为实际应用提供选择指导。

Comments Accepted at ACL 2026 (Industry Track)

TeleEmbedBench: A Multi-Corpus Embedding Benchmark for RAG in Telecommunications

TeleEmbedBench: 一种面向电信领域的多语料嵌入基准

Pranshav Gajjar, Vijay K Shah

机构 * NextG Wireless Lab, North Carolina State University, Raleigh, USA（NextG无线实验室，北卡罗来纳州立大学，拉斐特，美国） 纠错

专题命中 RAG评测 ：RAG(title,summary_cn)；retrieval-augmented generation(abstract)

AI总结 本文提出TeleEmbedBench，首个针对电信领域RAG任务的多语料嵌入基准，评估八种嵌入模型在检索准确性和抗跨域干扰能力上的表现，发现LLM嵌入器性能更优。

Neuro-Symbolic Resolution of Recommendation Conflicts in Multimorbidity Clinical Guidelines

神经符号推荐冲突在多病共存临床指南中的解决

Shiyao Xie, Jian Du

机构 * Peking University（北京大学） ； National Institute of Health Data Science（国家健康数据科学研究院） ； Peking University Health Science Center（北京大学医学部） ； Institute of Medical Technology（医学技术研究院） 纠错

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

AI总结 本文提出神经符号框架解决多病共存临床指南中的推荐冲突问题，通过多智能体系统和SAT求解器验证逻辑规则，发现90.6%的冲突为局部冲突，F1分数达0.861。

Comments Accepted by Proceedings of the 40th Annual AAAI Conference on Artificial Intelligence (Bridge Program on Logic & AI: Logical and Symbolic Reasoning in Language Models)

AttnTrace: Contextual Attribution of Prompt Injection and Knowledge Corruption

AttnTrace: 基于提示注入和知识腐败的上下文归因

Yanting Wang, Runpeng Geng, Ying Chen, Jinyuan Jia

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） 纠错

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

AI总结 本文提出AttnTrace，一种基于LLM对提示生成的注意力权重的上下文追溯方法，通过增强效果和技术改进，提高了准确性和效率，并展示了其在检测长上下文中的提示注入应用。

Comments To appear in IEEE S&P 2026. The code is available at https://github.com/Wang-Yanting/AttnTrace. The demo is available at https://huggingface.co/spaces/SecureLLMSys/AttnTrace

ATANT: An Evaluation Framework for AI Continuity

ATANT：人工智能连续性的评估框架

Samuel Sameer Tanguturi

机构 * Kenotic Labs（肯otic实验室） 纠错

专题命中 RAG评测 ：RAG(abstract,abstract_cn)；分类 cs.IR、cs.AI

AI总结 本文提出ATANT框架，用于评估AI系统在时间维度上的连续性能力，通过10个检查点方法和250个故事的叙事测试集，验证系统在不同架构下的连续性表现。

Comments 7 pages, 8 tables. Framework and evaluation protocol available at https://github.com/Kenotic-Labs/ATANT and https://kenoticlabs.com/

TPS-CalcBench: A Benchmark and Diagnostic Evaluation Framework for LLM Analytical Calculation Competence in Hypersonic Thermal Protection System Engineering

TPS-CalcBench: 一种用于高超音速热防护系统工程中LLM分析计算能力的基准和诊断评估框架

Jinglai Zheng, Chuhan Qiao, Haiming Huang

机构 * School of Civil Engineering, Beijing Jiaotong University, Beijing 100044, China（北京交通大学土木工程学院） 纠错

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

AI总结 本文提出TPS-CalcBench，首个针对高超音速气动学和高温气体动力学中闭式解析计算的诊断基准，通过领域导向任务分类、双轨评估和人类-AI数据管道，建立安全关键工程LLM部署评估的完整诊断-评估-干预框架。