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。
解锁稳健的蛋白质-文本问答流程：一种双维度RAG框架
专题命中 知识库问答 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR
AI总结 本文提出一种双维度RAG框架，通过整合生物研究流程和专家分析方法，提升蛋白质-文本问答的鲁棒性和泛化能力，实现对新蛋白质的高效处理。
通过监督搜索过程产生可靠且可推广的信息寻求代理
机构 * Department of Computer Science, University of Virginia, USA（弗吉尼亚大学计算机科学系） ； National Library of Medicine, National Institutes of Health, USA（美国国立卫生研究院国家医学图书馆） ； Department of Computer Science, University of Illinois Urbana–Champaign, USA（伊利诺伊大学厄巴纳-香槟分校计算机科学系） ； Medical Oncology, Dana–Farber Cancer Institute, USA（达纳-法伯癌症研究所医学肿瘤科） ； Surgery, University of Alabama at Birmingham, USA（阿拉巴马大学伯明翰分校外科系） ； Department of Neurology, Yale School of Medicine, USA（耶鲁医学院神经病学系）
专题命中 长文档RAG ：RAG(summary_cn,abstract)；分类 cs.CL、cs.AI
AI总结 本文提出通过监督搜索过程来构建更可靠且可推广的信息寻求代理，通过RAG-Gym框架系统研究了架构设计、参数优化和动作评估，发现推理反思是关键能力，Re$^2$Search++在多跳信息检索基准上取得显著提升，尤其在领域外任务中表现更优。
Comments Homepage: https://rag-gym.github.io; Code: https://github.com/RAG-Gym/RAG-Gym
OPERA: 一种增强强化学习的协调规划-执行架构用于面向推理的多跳检索
机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院） ； Department of Electronic Engineering, Tsinghua University（清华大学电子工程系）
专题命中 长文档RAG ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI
AI总结 OPERA通过协调规划-执行架构解决多跳检索中推理规划、检索和过滤的不足，采用MAPGRPO方法提升复杂任务性能。
Comments Accepted by AAAI 2026. Extended version
上下文记忆用于高效长上下文生成
机构 * Institute of Science Tokyo, Japan（东京科学研究所） ； Imperial College London, UK（伦敦帝国学院）
专题命中 长文档RAG ：RAG(abstract,abstract_cn)；分类 cs.CL、cs.AI
AI总结 本文提出了一种无需训练的上下文记忆方法，通过将前缀外部化为轻量级的预计算注意力状态查找表，以提高长上下文生成的准确性和效率，同时减少注意力计算的延迟。
用于长周期科学代理的事件-语义记忆架构
机构 * Serbian Institute for Artificial Intelligence Research and Development（塞尔维亚人工智能研究与发展研究所） ； Bayer A.G.（勃林格殷曼有限公司）
专题命中 长文档RAG ：RAG(abstract,abstract_cn)；分类 cs.AI
AI总结 本文提出了一种双过程记忆架构，用于解决科学代理在长周期任务中面临的情境窗口饱和问题，通过分离即时事件需求和长期知识整合，提升了在大规模科学工作流中的表现和可扩展性。
门控KalmaNet：通过测试时岭回归实现渐逝记忆层
机构 * University of Pennsylvania（宾夕法尼亚大学） ； AWS Agentic AI（AWS 代理人工智能）
专题命中 长文档RAG ：RAG(abstract,abstract_cn)；分类 cs.CL
AI总结 本文提出门控KalmaNet（GKA），通过测试时岭回归实现渐逝记忆层，解决了线性状态空间模型（SSMs）在记忆过去信息时的效率与精度问题，展示了GKA在短上下文任务和长上下文任务中的优越性能。
Comments 30 pages, 10 figures. Accepted at CVPR 2026
MindMelody：一种基于EEG的闭环个性化音乐干预系统
机构 * South China University of Technology（南方科技大学）
专题命中 图谱与结构化RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；分类 cs.AI
AI总结 本文提出MindMelody系统，通过EEG信号实时生成个性化音乐，结合Transformer-GNN和RAG-LLM实现情绪感知与音乐生成的闭环控制，提升情感适应性与用户参与度。
基于查询的知识对齐用于可靠的跨系统医学推理
机构 * Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（深圳先进研究院，电子科技大学） ； Department of Electrical and Computer Engineering, University of Waterloo（滑铁卢大学电气与计算机工程系） ； School of Computer Science and Engineering, Kyungpook National University（庆北国立大学计算机科学与工程学院）
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 本文提出了一种基于查询的知识对齐方法QCEA，通过将实体对齐问题转化为查询条件下的对应关系问题，以提升跨系统医学推理的可靠性，主要贡献是引入了方向感知变换模块以捕捉异构知识系统中的非对称和多对多对应关系。
先验知识使其成为可能：从次线性图算法到LLM测试时方法
机构 * Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； Columbia University（哥伦比亚大学） ； Google Research（谷歌研究）
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 本文研究了测试时增强方法中先验知识与外部信息交互的理论基础，通过将多步推理建模为知识图中的s-t连通性问题，揭示了在部分先验知识下，测试时增强步骤数量与图结构之间的关系，发现当知识图中存在小组件时，增强步骤数呈平方根增长，而当知识密度超过阈值形成大组件时，增强步骤数趋于常数。
RAGA：用于自主知识图谱构建和检索增强生成的阅读与图构建代理
机构 * Qingdao University（青岛大学）
专题命中 图谱与结构化RAG ：retrieval-augmented generation(title)；分类 cs.CL、cs.AI
AI总结 本文提出RAGA框架，通过结合阅读、搜索、验证和构建的认知约束，提升知识图谱构建与检索增强生成的效率和准确性，实现了知识图谱的全生命周期管理。
三个头比一个好：一种多视角推理框架以增强漏洞检测
专题命中 图谱与结构化RAG ：RAG(abstract,abstract_cn)
AI总结 本文提出ReasonVul，一种多视角推理框架，通过三个专门的LLM代理的认知协同，提高漏洞检测的准确性和全面性，其在PrimeVul数据集上实现了40.00%的PairAcc和72.52%的F1分数，优于现有基线方法。
PIPER: 通过 profiling 和 LLM 生成的伪查询实现基于内容的表格搜索
机构 * Centre for Industrial Software, University of Southern Denmark（丹麦南部大学工业软件中心） ； Department of Electronics, Information and Bioengineering, Politecnico di Milano（米兰理工学院电子、信息与生物工程系）
专题命中 图谱与结构化RAG ：dense retrieval(abstract)；分类 cs.IR、cs.AI
AI总结 针对数据湖、数据空间和开放数据门户中表格数据集快速增长的问题，PIPER 提出了一种基于内容的表格搜索方法，利用表格 profile 和 LLM 生成的伪查询进行密集检索，优于传统元数据方法和 TableQA 检索方法，展示了 LLM 基于内容建模在表格数据集搜索中的价值。
Comments 15 pages, 3 figures, accepted at DEXA'26
AI 产出物还是AI增强？英语学术用途课程中学生对AI生成媒体的看法
机构 * Everwrite Limited（Everwrite有限公司） ； Faculty of Education, The University of Hong Kong（香港大学教育学院） ； Faculty of Education, The Chinese University of Hong Kong（香港中文大学教育学院）
专题命中 多模态RAG ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI
AI总结 研究探讨了AI生成内容在EAP课程中的教学效果，通过混合方法分析发现学生偏好视觉化内容，视频与学业表现正相关，但高认知负荷与成绩负相关，表明需合理设计内容以提升学习效果。
Comments 23 pages, 7 figures
LEGO: 一个基于LLM技能的前端设计生成平台
机构 * School of IC, Peking University（北京大学集成电路学院） ； School of EECS, Peking University（北京大学电子信息技术学院） ； School of Microelectronics, Xidian University（西安电子科技大学微电子学院） ； Institute of EDA, Peking University（北京大学EDA研究院） ； Beijing Advanced Innovation Center for IC（北京集成电路先进创新中心）
专题命中 RAG评测 ：RAG(abstract,abstract_cn)；分类 cs.AI
AI总结 本文提出LEGO平台，通过将数字前端流程分解为六个独立步骤，并将每个代理能力表示为标准化的可组合电路技能，实现了高效的前端设计生成，显著提升了RTL设计自动化的效果。
Comments Accepted to ISEDA 2026. Best Paper Nomination. 7 pages, 3 figures
SCICONVBENCH: 评估LLM在计算科学任务公式化中的多轮澄清能力
机构 * Rensselaer Polytechnic Institute（拉特格斯理工学院） ； University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； Pacific Northwest National Laboratory（太平洋西北国家实验室） ； National Renewable Energy Laboratory（国家可再生能源实验室）
专题命中 RAG评测 ：knowledge retrieval(abstract)；分类 cs.AI
AI总结 该研究提出SCICONVBENCH基准，用于评估LLM在计算科学任务公式化中的多轮澄清能力，重点在于获取缺失信息和解决请求中的矛盾，通过结构化任务本体和基于标准的评估框架，系统测量LLM在澄清行为、对话基础性和最终规格忠实度三个维度上的表现。
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