RAG / 检索增强生成

RAG-RL: Advancing Retrieval-Augmented Generation via RL and Curriculum Learning

RAG-RL：通过强化学习和课程学习推进检索增强生成

Jerry Huang, Siddarth Madala, Risham Sidhu, Cheng Niu, Hao Peng, Julia Hockenmaier, Tong Zhang

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 RAG-RL通过强化学习和课程学习提升检索增强生成性能，使生成模型能识别并引用相关信息，提高样本效率和泛化能力，实验显示在多跳问答任务中准确率显著提升。

Less LLM, More Documents: Searching for Improved RAG

少用大模型，多用文档：寻找改进RAG的方法

Jingjie Ning, Yibo Kong, Yunfan Long, Jamie Callan

机构 * School of Computer Science, Carnegie Mellon University（计算机科学系，卡内基梅隆大学） 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.IR、cs.CL

AI总结 本文研究了扩大检索器文档库对RAG性能的影响，发现增大文档库可提升性能，甚至在某些情况下优于使用更大模型，但存在边际效益递减的问题。

Comments Proceeding Version of ECIR 2026. In: Campos, R., et al. Advances in Information Retrieval. ECIR 2026

CORAL: Adaptive Retrieval Loop for Culturally-Aligned Multilingual RAG

CORAL：面向文化对齐的多语言RAG自适应检索循环

Nayeon Lee, Jiwoo Song, Byeongcheol Kang

机构 * Naver（纳维尔） ； Samsung Research（三星研究院） 纠错

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

AI总结 CORAL通过迭代优化检索空间和查询，提升多语言检索生成在文化相关性上的表现，实验显示在低资源语言上准确率提升3.58%。

Comments 23 pages, 9 figures. Accepted at ACL 2026 (Findings)

From Ambiguity to Accuracy: The Transformative Effect of Coreference Resolution on Retrieval-Augmented Generation systems

从歧义到准确性：核心指代消解对检索增强生成系统的影响

Youngjoon Jang, Seongtae Hong, Junyoung Son, Sungjin Park, Chanjun Park, Heuiseok Lim

机构 * Korea University（韩国大学） ； Naver Corp（Naver公司） 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 研究探讨了核心指代消解对检索增强生成系统中文档检索和生成性能的影响，发现消解能提升检索效果和问答性能，尤其对小模型有显著帮助。

Comments ACL 2025 SRW

Journal ref https://aclanthology.org/2025.acl-srw.27

Enhancing Financial Report Question-Answering: A Retrieval-Augmented Generation System with Reranking Analysis

增强财务报告问答：一种带有重排序分析的检索增强生成系统

Zhiyuan Cheng, Longying Lai, Yue Liu, Kai Cheng, Xiaoxi Qi

机构 * School of Engineering Stanford University Stanford, CA, USA ； Simon Business School University of Rochester Rochester, NY, USA ； Accounting \& Information Systems Rutgers University Newark, NJ, USA ； Institute for Social ； Economic Research ； Policy Columbia University New York, NY, USA ； Department of Economics Northeastern University Boston, MA, USA 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

AI总结 本文提出一种检索增强生成系统，通过重排序提升财务报告问答性能，实验表明重排序显著提高答案质量，正确率提升15.5个百分点。

Comments 7 pages, 2 figures. Accepted to ICECET 2026

Navigating Global AI Regulation: A Multi-Jurisdictional Retrieval-Augmented Generation System

跨越全球人工智能监管：一个多司法管辖区的检索增强生成系统

Courtney Ford, Ojas Rane, Susan Leavy

机构 * PoliticalNLP Workshop（政治NLP研讨会） ； LREC 2026 Report（LREC 2026报告） 纠错

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

AI总结 本文提出一个多司法管辖区的检索增强生成系统，用于全球人工智能监管，通过类型特定分块、条件检索路由和优先级重排序技术，提升法律文档检索效果。

Comments Preprint. Accepted at PoliticalNLP Workshop, LREC 2026. 10 pages, 1 figure

Beyond Hard Negatives: The Importance of Score Distribution in Knowledge Distillation for Dense Retrieval

超越硬负样本：知识蒸馏中密集检索中分数分布的重要性

Youngjoon Jang, Seongtae Hong, Hyeonseok Moon, Heuiseok Lim

专题命中 检索器与排序 ：dense retrieval(title)；分类 cs.IR

AI总结 本文指出仅依赖硬负样本限制了学生模型学习教师偏好结构的能力，提出分层采样策略以均匀覆盖分数范围，实验表明该方法在不同设置中优于top-K和随机采样。

Comments SIGIR 2026

Controlling Authority Retrieval: A Missing Retrieval Objective for Authority-Governed Knowledge

控制权威检索：一种缺失的权威治理知识检索目标

Andre Bacellar

专题命中 检索器与排序 ：RAG(abstract,abstract_cn)；分类 cs.IR、cs.CL

AI总结 本文提出CAR目标，用于检索当前活跃的权威前沿，与传统相关性检索不同。通过定理和命题分析，证明了TCA的上界，并在多个数据集上验证了方法有效性。

Comments 23 pages, 13 tables; code and data at https://github.com/andremir/car-retrieval

Improving Robustness of Tabular Retrieval via Representational Stability

通过表征稳定性提升表格检索的鲁棒性

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

机构 * Department of Computer Science Rensselaer Polytechnic Institute（罗切斯特理工学院计算机科学系） ； Department of Computer Science Arizona State University（亚利桑那州立大学计算机科学系） ； ScaleAI 纠错

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

AI总结 本文通过表征稳定性方法解决表格检索中不同序列化方式导致的嵌入差异问题，利用中心点平均抑制格式特定变化，提升检索鲁棒性。

CacheFlow: Efficient LLM Serving with 3D-Parallel KV Cache Restoration

CacheFlow: 高效的大语言模型服务中的3D并行KV缓存恢复

Sean Nian, Jiahao Fang, Qilong Feng, Zhiyu Wu, Fan Lai

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

AI总结 本文提出CacheFlow框架，通过3D并行抽象优化KV缓存恢复，减少TTFT时间，提升大语言模型服务效率。

Comments 11 pages, 10 figures