RAG / 检索增强生成

H-RAG at SemEval-2026 Task 8: Hierarchical Parent-Child Retrieval for Multi-Turn RAG Conversations

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

Passant Elchafei, Hossam Emam, Mohamed Alansary, Monorama Swain, Markus Schedl

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） 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 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。

Structure-Aware Chunking for Tabular Data in Retrieval-Augmented Generation

面向表格数据的结构感知分块

Pooja Guttal, Varun Magotra, Vasudeva Mahavishnu, Natasha Chanto, Sidharth Sivaprasad, Manas Gaur

机构 * Altumatim ； University of Maryland, Baltimore County（马里兰大学巴尔的摩分校） 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

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

Retrieval-Augmented Reasoning for Chartered Accountancy

增强推理的会计师事务所应用

Jatin Gupta, Akhil Sharma, Saransh Singhania, Ali Imam Abidi

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） 纠错

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

Negative Data Mining for Contrastive Learning in Dense Retrieval at IKEA.com

密集检索中对比学习的负样本挖掘

Eva Agapaki, Amritpal Singh Gill

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。

A Replicability Study of XTR

XTR算法的可重复性研究

Rohan Jha, Reno Kriz, Benjamin Van Durme

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: High-Fidelity 3D Object Generation via Retrieval-Augmented Code Synthesis

BlenderRAG: 通过检索增强的代码合成实现高保真的3D物体生成

Massimo Rondelli, Francesco Pivi, Maurizio Gabbrielli

机构 * University of Bologna（博洛尼亚大学） ； Ferrari S.p.A.（法拉利公司） 纠错

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。