RAG / 检索增强生成

NuggetIndex: Governed Atomic Retrieval for Maintainable RAG

NuggetIndex：受控原子检索用于可维护的RAG

Saber Zerhoudi, Michael Granitzer, Jelena Mitrovic

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

AI总结 NuggetIndex通过存储原子信息单元（nuggets）提升RAG系统的可维护性，通过时间有效性区间和生命周期状态管理，提高召回率和时间正确性，减少冲突率。

Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '26), July 20--24, 2026, Melbourne, VIC, Australia

PRAG: End-to-End Privacy-Preserving Retrieval-Augmented Generation

PRAG：端到端隐私保护检索增强生成

Zhijun Li, Minghui Xu, Huayi Qi, Wenxuan Yu, Tingchuang Zhang, Qiao Zhang, GuangYong Shang, Zhen Ma, Xiuzhen Cheng

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

AI总结 PRAG提出一种端到端隐私保护的检索增强生成系统，通过双模式架构在不牺牲云托管RAG可扩展性的情况下实现文档和查询的端到端保密性，实验显示其在大规模数据集上具有竞争力的召回率和抗攻击能力。

Comments 16 pages,6 figures, journal

CubeGraph: Efficient Retrieval-Augmented Generation for Spatial and Temporal Data

CubeGraph：面向空间和时间数据的高效检索增强生成

Mingyu Yang, Wentao Li, Wei Wang

机构 * University of Leicester（利兹大学） 纠错

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

AI总结 CubeGraph通过整合向量搜索与任意空间约束，解决传统方法在处理高维向量相似性搜索与时空过滤时的碎片化问题，提升查询性能和扩展性。

Comments Updated Report

Think it, Run it: Autonomous ML pipeline generation via self-healing multi-agent AI

思考并运行：通过自我修复多智能体AI实现自主ML流水线生成

Adela Bara, Gabriela Dobrita, Simona-Vasilica Oprea

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

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

AI总结 本文提出一种统一的多智能体架构，实现从数据集和自然语言目标自动生成端到端机器学习流水线，提升效率、鲁棒性和可解释性。通过五智能体系统处理数据剖析、意图解析、微服务推荐、DAG构建与执行，并结合代码基础的RAG、可解释混合推荐、自我修复机制和自适应学习，实现了84.7%的成功率。

FRAGATA: Semantic Retrieval of HPC Support Tickets via Hybrid RAG over 20 Years of Request Tracker History

FRAGATA：通过混合RAG实现的高性能计算支持票语义检索

Santiago Paramés-Estévez, Nicolás Filloy-Montesino, Jorge Fernández-Fabeiro, José Carlos Mouriño-Gallego

机构 * Galicia Supercomputing Center (CESGA)（加利西亚超级计算中心（CESGA）） ； Universidade de Vigo（维戈大学） 纠错

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

AI总结 本文提出FRAGATA系统，结合现代信息检索技术与RT历史数据，实现跨语言、拼写错误和特定措辞的高效支持票检索，提升知识重用效率。

Comments 6 pages, 2 figures, a Spanish version of this paper has been accepted at Jornadas SARTECO 2026. Code available at https://github.com/s-parames/fragata

In Line with Context: Repository-Level Code Generation via Context Inlining

与上下文一致：通过上下文内联实现仓库级代码生成

Chao Hu, Wenhao Zeng, Yuling Shi, Beijun Shen, Xiaodong Gu

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 本文提出InlineCoder框架，通过内联未完成函数到调用图中，将仓库理解转化为更易处理的函数级编码任务，提升仓库级代码生成能力。

Comments Accepted to FSE 2026

Reproducing Adaptive Reranking for Reasoning-Intensive IR

重现面向推理的自适应重排序

Mandeep Rathee, V Venktesh, Sean MacAvaney, Avishek Anand

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

AI总结 本文通过重现GAR在需要推理的检索基准上的表现，改进了重排序过程，提升了推理密集型检索的效果，同时保持了较低的计算开销。

Comments 7 figures, 11 pages

FlashRT: Towards Computationally and Memory Efficient Red-Teaming for Prompt Injection and Knowledge Corruption

FlashRT: 向计算和内存高效方向发展用于提示注入和知识腐败的红队测试

Yanting Wang, Chenlong Yin, Ying Chen, Jinyuan Jia

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

AI总结 本文提出FlashRT框架，通过提升计算和内存效率，优化长上下文LLM的提示注入和知识腐败攻击，实现2-7倍的加速和2-4倍的内存节省，为系统评估长上下文LLM的安全性提供工具。

Comments The code is available at https://github.com/Wang-Yanting/FlashRT

ChipLingo: A Systematic Training Framework for Large Language Models in EDA

ChipLingo: 一种面向电子设计自动化的大语言模型系统化训练框架

Lei Li, Xingwen Yu, Jianguo Ni, Junxuan Zhu, Jieqiong Zhang, Jian Zhao, Zhi Liu

机构 * Ickylin AI Team（Ickylin AI团队） 纠错

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

AI总结 本文提出ChipLingo系统化训练框架，通过多源数据构建、预训练优化和指令对齐，提升大语言模型在EDA领域的性能，实验表明其在EDA-Bench上表现优异。

Budget-Constrained Online Retrieval-Augmented Generation: The Chunk-as-a-Service Model

预算约束下的在线检索增强生成：块即服务模型

Shawqi Al-Maliki, Ammar Gharaibeh, Mohamed Rahouti, Mohammad Ruhul Amin, Mohamed Abdallah, Junaid Qadir, Ala Al-Fuqaha

机构 * Information and Computing Technology (ICT) Division, College of Science and Engineering, Hamad Bin Khalifa University（信息与计算技术系（ICT）, 科学与工程学院, 哈马德·本·卡西姆大学） ； School of Electrical Engineering and Information Technology, German Jordanian University（电气工程与信息科技学院, 德国约旦大学） ； Department of Computer and Information Sciences, Fordham University（计算机与信息科学系, 芙兰克大学） ； Department of Computer Science and Engineering, College of Engineering, Qatar University（计算机科学与工程系, 工程学院, 卡塔尔大学） 纠错

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

AI总结 本文提出块即服务模型，通过在线选择算法提升检索增强生成的透明性和成本效益，实验显示其在性能和预算利用上优于现有方法。

Purifying Multimodal Retrieval: Fragment-Level Evidence Selection for RAG

净化多模态检索：用于RAG的片段级证据选择

Xihang Wang, Zihan Wang, Chengkai Huang, Cao Liu, Ke Zeng, Quan Z. Sheng, Lina Yao

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

AI总结 本文提出FES-RAG框架，通过片段级证据选择提升多模态检索效果，减少噪声干扰，实验显示在M2RAG基准上性能提升27%。

Iterative Multimodal Retrieval-Augmented Generation for Medical Question Answering

迭代多模态检索增强生成用于医疗问答

Xupeng Chen, Binbin Shi, Chenqian Le, Jiaqi Zhang, Kewen Wang, Ran Gong, Jinhan Zhang, Chihang Wang

机构 * New York University, New York, USA（纽约大学） ； Tsinghua University, Beijing, China（清华大学） ； Independent Researcher（独立研究者） ； Chinese Academy of Sciences, Beijing, China（中国科学院） 纠错

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

AI总结 MED-VRAG通过多模态检索增强生成框架，利用文档页面图像而非OCR文本进行医疗问答，提升准确率至78.6%，并验证检索和迭代对问答性能的积极影响。

Grounded Multimodal Retrieval-Augmented Drafting of Radiology Impressions Using Case-Based Similarity Search

基于案例相似性搜索的医学影像印象 grounded 多模态检索增强草稿生成

Himadri S Samanta

机构 * Independent AI Researcher（独立AI研究员） 纠错

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

AI总结 本文提出一种多模态检索增强生成系统，结合对比图像-文本嵌入、基于案例的相似性检索和引用约束草稿生成，以生成具有临床依据的医学影像印象。

Comments 15 pages, 4 figures, 3 tables

MEG-RAG: Quantifying Multi-modal Evidence Grounding for Evidence Selection in RAG

MEG-RAG: 多模态证据 grounding 的量化研究以提升 RAG 中的证据选择

Xihang Wang, Zihan Wang, Chengkai Huang, Quan Z. Sheng, Lina Yao

机构 * Institute for Clarity in Documentation（清晰文档研究所） ； Inria Paris-Rocquencourt（巴黎- Rocquencourt 国家信息与自动化研究所） ； Rajiv Gandhi University（拉吉夫·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕勒尔研究实验室） ； Zhejiang University（浙江大学） ； Peking University（北京大学） ； University of New South Wales（新南威尔士大学） ； Macquarie University（麦考瑞大学） ； CSIRO’s Data61（CSIRO 数据61） 纠错

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

AI总结 本文提出 MEG-RAG 框架，通过语义感知的多模态证据 grounding 方法提升 RAG 中的证据选择准确性与多模态一致性。

NeocorRAG: Less Irrelevant Information, More Explicit Evidence, and More Effective Recall via Evidence Chains

NeocorRAG：通过证据链减少无关信息，提高明确证据和回忆效果

Shiyao Peng, Qianhe Zheng, Zhuodi Hao, Zichen Tang, Rongjin Li, Qing Huang, Jiayu Huang, Jiacheng Liu, Yifan Zhu, Haihong E

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） 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 NeocorRAG通过证据链系统挖掘和利用，实现检索质量的全面优化，提升召回效果并减少无关信息，取得SOTA性能。

Comments Accepted to WWW 2026

Journal ref Proc. ACM Web Conf. 2026, pages 1899-1910

OpenClassGen: A Large-Scale Corpus of Real-World Python Classes for LLM Research

OpenClassGen: 一个大规模的真实世界Python类语料库用于大语言模型研究

Musfiqur Rahman, SayedHassan Khatoonabadi, Emad Shihab

机构 * Concordia University（康科德大学） 纠错

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

AI总结 OpenClassGen提供324,843个Python类的语料库，用于评估大语言模型的代码生成能力，通过类骨架和静态代码度量指标，支持多种应用场景。

Comments This paper has been accepted for publication at the 30th International Conference on Evaluation and Assessment in Software Engineering (EASE 2026) AI models/data track