AI 大模型
检索增强生成、向量检索、知识库问答和面向大模型的搜索系统。
H-RAG在SemEval-2026任务8中的应用：多轮RAG对话中的层次父-子检索
机构 * Johannes Kepler University Linz（约翰尼斯·开普勒大学林茨） ； Linz Institute of Technology（林茨技术学院） ； Artificial Intelligence Lab（人工智能实验室）
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 H-RAG通过层次化父-子检索方法提升多轮RAG对话性能，结合密集-稀疏搜索与上下文重构，实现检索与生成的协同优化。
面向表格数据的结构感知分块
机构 * Altumatim ； University of Maryland, Baltimore County（马里兰大学巴尔的摩分校）
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
AI总结 本文提出一种结构感知表格分块框架，通过行级单位构建层次化行树表示，提升token利用率和检索性能。
Comments 5 Pages, 1 figure, 4 Tables, 1 Algorithm, Work In Progress
增强推理的会计师事务所应用
机构 * Dept. of Computer Science and Engineering（计算机科学与工程系） ； Sharda University（沙达大学） ； Greater Noida, India（印度Greater Noida）
专题命中 检索器与排序 ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI
AI总结 本文提出CA-ThinkFlow框架，通过参数高效检索增强生成方法，结合量化推理模型和文档布局感知系统，实现与大型专有模型相当的性能，但对复杂法规文本的推理能力仍有不足。
Comments 9 pages, 2 figures, and 3 tables
密集检索中对比学习的负样本挖掘
专题命中 检索器与排序 ：dense retrieval(title,abstract)；分类 cs.IR
AI总结 本文提出基于结构化负样本策略和LLM评估方法提升IKEA产品检索，通过生成语义挑战性负样本和训练数据生成，提升检索性能，但发现在线用户参与度无显著差异。
XTR算法的可重复性研究
专题命中 检索器与排序 ：retriever(abstract)；分类 cs.IR
AI总结 本文复现了XTR算法及其训练目标，扩展至知识蒸馏和高效检索引擎，发现XTR在某些场景下不如ColBERT有效，但提升了IVF检索效率。
Comments 8 pages, 4 figures, 3 tables
BlenderRAG: 通过检索增强的代码合成实现高保真的3D物体生成
机构 * University of Bologna（博洛尼亚大学） ； Ferrari S.p.A.（法拉利公司）
专题命中 检索器与排序 ：retrieval-augmented generation(abstract)；分类 cs.AI
AI总结 BlenderRAG通过检索增强的代码合成方法，利用500个专家验证的多模态数据集提升Blender代码生成的准确性和一致性，无需微调或专用硬件。
Sentra-Guard：一种实时多语言对抗对抗性LLM提示的防御系统
专题命中 向量检索 ：retriever(abstract)；分类 cs.AI
AI总结 Sentra-Guard通过混合架构和分类器-检索器融合模块，实时检测并缓解针对大语言模型的劫持和提示注入攻击，实现多语言鲁棒性与高检测率。
Comments 11 pages, 5 figures. Preprint version under review in the area of Artificial Intelligence (cs.AI)
当RAG聊天机器人暴露其后端：对患者面向医疗AI隐私和安全风险的匿名案例研究
机构 * Independent researcher（独立研究者） ； Escuela Técnica Superior de Ingenieros de Telecomunicación Universidad Politécnica de Madrid（电信工程学院理工大学）
专题命中 长文档RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI
AI总结 研究通过匿名案例分析，揭示了患者面向RAG聊天机器人中隐私和安全风险，指出通过浏览器工具可发现关键漏洞，强调部署前需独立审查。
分层抽象树用于跨文档检索增强生成
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
专题命中 长文档RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(title,abstract)；retriever(abstract)；分类 cs.IR、cs.AI
AI总结 本文提出Ψ-RAG框架，通过迭代'合并与坍缩'过程构建分层抽象树索引，并引入多粒度检索代理，解决传统树状RAG在跨文档多跳问题中的分布适应性、结构隔离和抽象粗粒度等挑战，实验表明其在跨文档多跳问答任务中表现更优。
Comments ICML 2026
CleanBase: 在RAG知识数据库中检测恶意文档
机构 * Duke University（杜克大学） ； The Pennsylvania State University（宾夕法尼亚州立大学）
专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)
AI总结 本文提出CleanBase方法，通过构建语义相似性图检测RAG知识库中的恶意文档，利用恶意文档的高相似性形成聚类，从而提高检测准确性。
G-reasoner：用于统一图结构知识推理的基础模型
机构 * Monash University（莫纳什大学） ； Nanjing University of Science and Technology（南京理工大学） ； Griffith University（格里菲斯大学） ； Shanghai Jiao Tong University（上海交通大学） ； Tencent Youtu Lab（腾讯优图实验室） ； NVIDIA（英伟达）
专题命中 图谱与结构化RAG ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.AI
AI总结 G-reasoner通过整合图与语言基础模型，实现对多样化图结构知识的高效推理，采用标准化四层抽象QuadGraph统一异构知识源，并通过混合精度训练和分布式消息传递提升效率与泛化能力。
Comments Accepted by ICLR 2026
SiriusHelper：一种基于LLM代理的大数据平台操作助手
机构 * TEG, Tencent Inc.（腾讯科技（TEG）） ； School of Computer Science, Peking University（北京大学计算机学院）
专题命中 图谱与结构化RAG ：RAG(abstract,abstract_cn)；分类 cs.AI、cs.DB
AI总结 SiriusHelper通过统一在线助手自动识别用户意图并路由查询，结合深度搜索机制和优先级知识库，提升回答可靠性与响应速度，减少专家负担，实测降低20.8%的在线工单量。
弥合实验最后一公里：数字化实验室知识以实现安全的人工智能辅助支持
机构 * Division of Applied Chemistry, Faculty of Engineering, Hokkaido University（北海道大学工学部应用化学科） ； Graduate School of Chemical Sciences and Engineering, Hokkaido University（北海道大学研究生院化学科学和工程学系） ； Graduate School of Information Science and Technology, Hokkaido University（北海道大学研究生院信息科学和技术学系） ； Quantum Nexus, Inc.
专题命中 多模态RAG ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.AI
AI总结 本文提出一种结合视频、多模态AI和检索增强生成的AI助手，通过提取实验室特定知识来提升实验安全性，经评估显示其在指导和安全方面具有实用性。
Comments 32 pages in total (main 13 pages, appendix 19 pages), 2 main figures, 1 main table
用法律问题树准则评估法律推理轨迹
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； LBOX ； Stanford（斯坦福） ； Yale（耶鲁）
专题命中 RAG评测 ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出 LEGIT 数据集，用于评估 LLM 在法律领域推理轨迹的质量，发现法律问题覆盖度和正确性影响 LLM 推理能力，RAG 和带准则的 RL 分别提升整体能力与正确性。
Comments ACL 2026 Main Conference
通过语义和事件记忆学习：一种反思式智能体适应方法
机构 * Megagon Labs（Megagon实验室）
专题命中 RAG评测 ：RAG(abstract,abstract_cn)；分类 cs.CL、cs.AI
AI总结 本文提出一种基于记忆增强的框架，利用预训练大语言模型生成的批判性反馈，通过语义和事件记忆提升智能体适应能力，实验证明其在多个任务中有效。
Comments 16 pages
轻量级领域适应大型语言模型用于印度法律援助
机构 * Department of Computer Science and Engineering, Sharda University, Greater Noida, India（计算机科学与工程系，Sharda大学，Greater Noida，印度）
专题命中 RAG评测 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出Legal Assist AI框架，通过检索增强生成与策略性提示工程，在印度法律领域实现高效表现，利用高质量法律文档集提升性能，比GPT-3.5 Turbo更高效，且有效缓解幻觉问题。
Comments 8 pages, 2 tables, 5 figures. This is a revised version of a preprint previously available at this DOI: \url{https://doi.org/10.48550/arXiv.2505.22003}
代理AI用于物质使用教育：整合监管与科学知识源
机构 * Department of Social Science, Texas Woman's University（德克萨斯女子大学社会科学系） ； Department of Computer Science, Augsburg University of Applied Sciences（应用科学大学计算机科学系） ； School of Computer Science, University of Oklahoma（俄克拉荷马大学计算机科学学院）
专题命中 RAG评测 ：retrieval-augmented generation(abstract)；分类 cs.CL
AI总结 本文提出一种基于代理的AI系统，结合监管数据与科学文献，提供实时、权威的物质使用教育，通过专家评估验证其准确性与适用性。
Comments 22 pages, 6 figures, 2 tables
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈