RAG / 检索增强生成

HaS: Accelerating RAG through Homology-Aware Speculative Retrieval

HaS：通过同源感知的推测检索加速RAG

Peng Peng, Weiwei Lin, Wentai Wu, Xinyang Wang, Yongheng Liu

机构 * South China University of Technology（华南理工大学） ； Pengcheng Laboratory（鹏城实验室） ； Jinan University（暨南大学） ； Beijing Forestry University（北京林业大学） 纠错

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

AI总结 HaS通过同源感知的推测检索框架，在受限范围内进行低延迟推测检索以获取候选文档，并验证其是否包含所需知识，从而提升RAG的效率。

Comments Accepted by ICDE 2026

RAG-KT: Cross-platform Explainable Knowledge Tracing with Multi-view Fusion Retrieval Generation

RAG-KT: 跨平台可解释知识追踪的多视图融合检索生成

Zhiyi Duan, Hongyu Yuan, Rui Liu

机构 * Inner Mongolia University（内蒙古大学） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；分类 cs.AI

AI总结 RAG-KT通过多视图融合检索生成技术，解决传统知识追踪模型在跨平台迁移和解释性上的不足，提升准确性和鲁棒性。

Improving End-to-End Training of Retrieval-Augmented Generation Models via Joint Stochastic Approximation

通过联合随机近似改进检索增强生成模型的端到端训练

Hongyu Cao, Yuxuan Wu, Yucheng Cai, Xianyu Zhao, Zhijian Ou

机构 * Speech Processing and Machine Intelligence (SPMI) Lab, Tsinghua University, China（清华大学语音处理与机器智能实验室） ； TasiTech Co., Ltd., China（TasiTech有限公司） 纠错

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

AI总结 本文提出JSA-RAG方法，通过联合随机近似提升检索增强生成模型的端到端训练效果，在五个数据集上表现优于传统RAG和VRAG。

ItemRAG: Item-Based Retrieval-Augmented Generation for LLM-Based Recommendation

ItemRAG: 基于物品的检索增强生成用于基于大语言模型的推荐系统

Sunwoo Kim, Geon Lee, Kyungho Kim, Jaemin Yoo, Kijung Shin

机构 * Seoul National University（首尔国立大学） 纠错

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

AI总结 ItemRAG通过细粒度物品级检索提升推荐效果，结合共购信息与语义信息，有效解决冷启动问题，实验表明其优于现有RAG方法。

Comments Published as a conference paper at SIGIR 2026 (short)

All Languages Matter: Understanding and Mitigating Language Bias in Multilingual RAG

所有语言都重要：理解并缓解多语言RAG中的语言偏差

Dan Wang, Guozhao Mo, Yafei Shi, Cheng Zhang, Bo Zheng, Boxi Cao, Xuanang Chen, Yaojie Lu, Hongyu Lin, Ben He, Xianpei Han, Le Sun

机构 * Chinese Information Processing Laboratory, Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所信息处理实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； MYbank, AntGroup（蚂蚁集团MYbank） 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 本文研究多语言RAG中的语言偏差问题，提出LAURA方法，通过多语言证据排名与生成效用对齐，有效缓解语言偏差并提升性能。

Comments ACL 2026 main conference

A Reproducibility Study of Metacognitive Retrieval-Augmented Generation

元认知检索增强生成的可重复性研究

Gabriel Iturra-Bocaz, Petra Galuscakova

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

AI总结 本文研究了元认知检索增强生成（MetaRAG）的可重复性，评估了点wise和listwise重排器的效果，并与SIM-RAG进行比较，发现MetaRAG在相对改进上优于标准RAG，但绝对分数较低，反映了闭源LLM更新和实现细节缺失的问题。

Comments Paper accepted at ACM SIGIR Conference 2026

Self-Aware Vector Embeddings for Retrieval-Augmented Generation: A Neuroscience-Inspired Framework for Temporal, Confidence-Weighted, and Relational Knowledge

具有自我意识的向量嵌入用于检索增强生成：一种受神经科学启发的框架，用于时间、置信度加权和关系知识

Naizhong Xu

机构 * Principal Consultant, CMC APAC（CMC APAC 主任顾问） 纠错

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

AI总结 本文提出SmartVector框架，通过引入时间意识、置信度衰减和关系意识，改进检索增强生成系统，提升准确性与鲁棒性。

Comments 17 pages, 4 tables

ORPHEAS: A Cross-Lingual Greek-English Embedding Model for Retrieval-Augmented Generation

ORPHEAS：一种用于双语希腊-英语检索增强生成的跨语言嵌入模型

Ioannis E. Livieris, Athanasios Koursaris, Alexandra Apostolopoulou, Konstantinos Kanaris Dimitris Tsakalidis, George Domalis

机构 * Novelcore 纠错

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

AI总结 本文提出ORPHEAS模型，专门用于希腊-英语双语检索增强生成，通过知识图谱细调方法生成高质量数据集，提升希腊语领域术语和形态复杂性表达能力，实验表明其在单语和跨语言检索基准上优于现有多语言嵌入模型。

Comments This paper has been accepted for presentation at Engineering Applications and Advances of Artificial Intelligence 2026 (EAAAI'26)

Training-free retrieval-augmented generation with reinforced reasoning for flood damage nowcasting

无需训练的检索增强生成与强化推理用于洪水损害现在预测

Lipai Huang, Kai Yin, Chia-Fu Liu, Ali Mostafavi

机构 * Urban Resilience.AI Lab, Zachry Department of Civil and Environmental Engineering（城市韧性.AI实验室，土木与环境工程系） ； Department of Computer Science and Engineering（计算机科学与工程系） ； Department of Civil, Environmental and Architectural Engineering（土木、环境与建筑工程系） ； Institute for a Disaster Resilient Texas（德克萨斯灾害韧性研究所） 纠错

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

AI总结 本文提出R2RAG-Flood框架，通过强化推理实现无需训练的洪水损害现在预测，利用结构化预测器、文本摘要和推理轨迹构建知识库，在推理阶段通过地理邻近和自由样本支持案例推理，提升预测准确性与成本效率。

Comments 18 pages, 3 figures, 8 tables, submitted to CACAIE journal

SkillGraph: Graph Foundation Priors for LLM Agent Tool Sequence Recommendation

SkillGraph：用于LLM代理工具序列推荐的图基础先验

Hao Liu, Dongyu Li

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

AI总结 本文提出SkillGraph，通过挖掘49831条成功轨迹构建有向加权执行过渡图，用于LLM代理工具选择与排序。提出的两阶段框架在ToolBench和API-Bank上取得显著提升。

CoAuthorAI: A Human in the Loop System For Scientific Book Writing

CoAuthorAI：一种用于科学书籍写作的人机协作系统

Yangjie Tian, Xungang Gu, Yun Zhao, Jiale Yang, Lin Yang, Ning Li, He Zhang, Ruohua Xu, Hua Wang, Kewen Liao, Ming Liu

机构 * Kexin Technology, Beijing（凯欣科技，北京） ； Institute for Sustainable Industries and Liveable Cities, Victoria University（可持续产业与宜居城市研究所，维多利亚大学） ； School of Information Technology, Deakin University（信息科技学院，德坎大学） 纠错

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

AI总结 CoAuthorAI通过人机协作系统，结合检索增强生成、专家设计的层级大纲和自动参考链接，提升科学书籍写作的准确性和一致性，实现从文章到整本书的出版扩展。

SweRank: Software Issue Localization with Code Ranking

SweRank: 代码排名用于软件问题定位

Revanth Gangi Reddy, Tarun Suresh, JaeHyeok Doo, Ye Liu, Xuan Phi Nguyen, Yingbo Zhou, Semih Yavuz, Caiming Xiong, Heng Ji, Shafiq Joty

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Salesforce Research（Salesforce 研究） ； KAIST AI（韩国科学技术院人工智能研究所） 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SweRank框架，通过高效的检索与重排序方法提升软件问题定位的准确性，实验表明其在SWE-Bench-Lite和LocBench上优于现有方法。

Comments ICLR 2026 Camera Ready Version

Enhancing Agentic Textual Graph Retrieval with Synthetic Stepwise Supervision

通过合成的分步监督增强代理文本图检索

Ge Chang, Jinbo Su, Jiacheng Liu, Pengfei Yang, Yuhao Shang, Huiwen Zheng, Hongli Ma, Yan Liang, Yuanchun Li, Yunxin Liu

机构 * Institute for AI Industry Research (AIR), Tsinghua University（人工智能产业研究院（AIR），清华大学） ； Peking University（北京大学） ； School of Information, Renmin University of China（中国人民大学信息学院） ； Harbin Institute of Technology（哈尔滨工业大学） ； North China Electric Power University（华北电力大学） ； GDS Holdings Limited（GDS控股有限公司） 纠错

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

AI总结 本文提出一种基于LLM的文本图检索框架，通过合成分步监督优化检索过程，提升复杂图基问答任务的准确性和F1分数。

KnowPilot: Your Knowledge-Driven Copilot for Domain Tasks

KnowPilot: 你的知识驱动型领域任务助手

Zekun Xi, Yichen Nie, Ziyan Jiang, Yujie Bao, Zhenqian Xu, Zhisong Qiu, Ziwen Xu, Shumin Deng

专题命中 检索器与排序 ：knowledge retrieval(abstract)

AI总结 KnowPilot通过整合领域先验知识、显式知识和经验知识，提升生成代理在专业应用中的性能，实现领域文本生成的高效与精准。

Semantic Recall for Vector Search

向量搜索的语义召回

Leonardo Kuffo, Ioanna Tsakalidou, Roberta De Viti, Albert Angel, Jiří Iša, Rastislav Lenhardt

机构 * CWI（荷兰阿姆斯特丹CWI） ； EPFL（瑞士洛桑联邦理工学院） ； Google（谷歌） 纠错

专题命中 向量检索 ：vector search(title)；分类 cs.IR、cs.AI

AI总结 本文提出语义召回指标，用于评估近邻搜索算法的质量，考虑仅在理论上可通过精确最近邻搜索检索到的语义相关对象。通过实验证明，该指标在查询结果中相关对象较少时特别有效，并引入了容忍召回作为近似指标。

Comments Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval

CRAFT: Training-Free Cascaded Retrieval for Tabular QA

CRAFT：无训练 cascaded 检索用于表格问答

Adarsh Singh, Kushal Raj Bhandari, Jianxi Gao, Soham Dan, Vivek Gupta

机构 * Arizona State University（亚利桑那州立大学） ； Rensselaer Polytechnic Institute（伦塞拉尔理工学院） ； Microsoft（微软） 纠错

专题命中 知识库问答 ：dense retrieval(abstract)；分类 cs.IR、cs.CL

AI总结 CRAFT 提出了一种无训练 cascaded 检索方法，通过稀疏检索模型筛选候选表格后，再用密集模型进行重排序，提升检索质量并在 NQ-Tables 和 OTT-QA 数据集上表现优异。

Comments Accepted to ACL 2026 Mains

Progressive Multimodal Search and Reasoning for Knowledge-Intensive Visual Question Answering

逐步多模态搜索与推理用于知识密集型视觉问答

Changin Choi, Wonseok Lee, Jungmin Ko, Wonjong Rhee

机构 * Interdisciplinary Program in Artificial Intelligence（人工智能交叉学科项目） ； Department of Intelligence and Information（智能与信息系） ； Samsung Advanced Institute of Technology（三星先进技术研究院） 纠错

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

AI总结 本文提出PMSR框架，通过逐步构建结构化推理轨迹提升知识获取与综合能力，实验显示在六个基准测试中提升了检索召回率和端到端回答准确性。

OThink-SRR1: Search, Refine and Reasoning with Reinforced Learning for Large Language Models

OThink-SRR1: 通过强化学习增强大语言模型的搜索、细化与推理

Haijian Liang, Zenghao Niu, Junjie Wu, Changwang Zhang, Wangchunshu Zhou, Jun Wang

机构 * Shenzhen University（深圳大学） ； OPPO Research Institute（OPPO研究院） 纠错

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

AI总结 OThink-SRR1通过强化学习训练的迭代搜索-细化-推理流程，有效解决复杂多跳问题中的检索噪声干扰和计算成本问题，实验表明其在多跳问答基准上准确率优于现有方法。

Mol-Debate: Multi-Agent Debate Improves Structural Reasoning in Molecular Design

Mol-Debate：多智能体辩论提升分子设计中的结构推理

Wengyu Zhang, Xiao-Yong Wei, Qing Li

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Sichuan University（四川大学） 纠错

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

AI总结 本文提出Mol-Debate框架，通过生成-辩论-细化循环提升分子设计中的结构推理能力，实验显示其在多个基准测试中表现优异。

Self-Describing Structured Data with Dual-Layer Guidance: A Lightweight Alternative to RAG for Precision Retrieval in Large-Scale LLM Knowledge Navigation

具有双层引导的自描述结构数据：一种轻量级替代RAG的精确检索方法，用于大规模LLM知识导航

Hung Ming Liu

机构 * PARRAWA AI 纠错

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

AI总结 本文提出SDSR框架，通过在文件中嵌入人类编写的导航元数据，利用LLM的优先级偏差，结合双层引导策略提升大规模知识检索的精确性。

Comments 18 pages, 6 figures, 7 tables

ESGLens: An LLM-Based RAG Framework for Interactive ESG Report Analysis and Score Prediction

ESGLens：一种基于大语言模型的RAG框架，用于交互式ESG报告分析与评分预测

Tsung-Yu Yang, Meng-Chi Chen

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

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

AI总结 本文提出ESGLens框架，结合检索增强生成与提示工程提取，自动化提取ESG报告结构化信息、交互式问答及评分预测，通过GRI标准指导提取和回归模型预测，评估结果显示ChatGPT嵌入与神经网络模型在环境指标上的相关性达到0.48。

Comments (20 pages, 3 figures)

AutoGraph-R1: End-to-End Reinforcement Learning for Knowledge Graph Construction

AutoGraph-R1：知识图谱构建的端到端强化学习

Hong Ting Tsang, Jiaxin Bai, Haoyu Huang, Qiao Xiao, Tianshi Zheng, Baixuan Xu, Shujie Liu, Yangqiu Song

机构 * The Hong Kong University of Science and Technology（香港理工大学） ； Cornell University（康奈尔大学） ； Microsoft Research（微软研究院） 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AutoGraph-R1框架，通过强化学习直接优化知识图谱构建，提升检索增强生成任务性能。设计了两种任务感知奖励函数，使图谱作为知识载体和索引，实现构建与应用的闭环。

Learning When Not to Decide: A Framework for Overcoming Factual Presumptuousness in AI Adjudication

学习何时不决定：一种克服人工智能裁决中事实预设性的框架

Mohamed Afane, Emily Robitschek, Derek Ouyang, Daniel E. Ho

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 本文研究了人工智能裁决中因信息不足导致的预设性问题，提出SPEC框架在失业保险裁决中实现89%的准确率，展示了如何通过结构化提示清单解决信息缺失问题。

Automatic Ontology Construction Using LLMs as an External Layer of Memory, Verification, and Planning for Hybrid Intelligent Systems

利用LLMs构建自动本体：作为混合智能系统记忆、验证和规划的外部层

Pavel Salovskii, Iuliia Gorshkova

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

AI总结 本文提出了一种混合架构，通过扩展LLMs的外部本体记忆层，实现结构化知识图谱的构建与维护，提升多步推理性能并支持生成-验证-修正流程。

Comments Artificial Intelligence; Knowledge Representation and Reasoning; Information Retrieval; Machine Learning

Re:Verse -- Can Your VLM Read a Manga?

Re:Verse -- 能读懂漫画吗？

Aaditya Baranwal, Madhav Kataria, Naitik Agrawal, Yogesh S Rawat, Shruti Vyas

机构 * University of Central Florida（中央佛罗里达大学） ； Indian Institute of Technology, Jodhpur（印度理工学院，朱达浦尔） ； Indian Institute of Technology, Varanasi（印度理工学院，瓦拉纳西） 纠错

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

AI总结 本文通过分析漫画叙事理解，揭示现有VLM在时间因果和跨面板连贯性上的不足，提出新的评估框架，系统研究长篇叙事理解能力。

Comments Accepted (oral) at ICCV (AISTORY Workshop) 2025

Journal ref 2025 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW), pp. 3820-3830

Coverage, Not Averages: Semantic Stratification for Trustworthy Retrieval Evaluation

覆盖，而非平均：语义分层用于可信检索评估

Andrew Klearman, Radu Revutchi, Rohin Garg, Rishav Chakravarti, Samuel Marc Denton, Yuan Xue

机构 * Scale AI 纠错

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

AI总结 本文提出语义分层方法，通过构建可解释的实体聚类空间，解决检索评估中覆盖性和稳定性问题，提升评估的透明度和可信度。

To Know is to Construct: Schema-Constrained Generation for Agent Memory

知即建构：基于模式约束的代理记忆生成

Lei Zheng, Weinan Song, Daili Li, Yanming Yang

机构 * UnionPay（中国银联） 纠错

专题命中 RAG评测 ：dense retrieval(abstract)；分类 cs.CL

AI总结 本文提出SCG-MEM架构，通过模式约束生成实现记忆检索，避免结构幻觉并提升多跳推理能力，实验显示其在LoCoMo基准上表现优异。

Development and Preliminary Evaluation of a Domain-Specific Large Language Model for Tuberculosis Care in South Africa

针对南非结核病护理的领域专用大型语言模型的开发与初步评估

Thokozile Khosa, Olawande Daramola

机构 * University of Pretoria（南非大学） 纠错

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

AI总结 本文提出一种专门用于南非结核病护理的大型语言模型，通过量化低秩适应算法和图检索生成技术，提升了模型在结核病领域的上下文对齐能力。

Comments 12 pages, 2 figures, ICICT 2026 Conference

Context Attribution with Multi-Armed Bandit Optimization

基于多臂老虎机优化的上下文归因

Deng Pan, Keerthiram Murugesan, Ting Hua, Nuno Moniz, Nitesh Chawla

机构 * Lucy Family Institute for Data & Society, University of Notre Dame（数据与社会学院卢西家庭研究所，圣约翰大学） ； Department of Computer Science & Engineering, University of Notre Dame（计算机科学与工程系，圣约翰大学） ； IBM Research（IBM研究院） 纠错

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

AI总结 本文提出一种将上下文归因问题建模为组合多臂老虎机问题的框架，利用线性汤普森采样高效识别关键上下文片段，减少模型查询次数，实验表明在多个问答基准上实现30%的查询减少同时保持归因质量。

Comments Accepted as a Findings paper at ACL 2026