RAG / 检索增强生成

DrugRAG: Enhancing Pharmacy LLM Performance Through A Novel Retrieval-Augmented Generation Pipeline

DrugRAG: 通过一种新颖的检索增强生成流水线提升药学LLM性能

Houman Kazemzadeh, Kiarash Mokhtari Dizaji, Seyed Reza Tavakoli, Farbod Davoodi, MohammadReza KarimiNejad, Parham Abed Azad, Fatemeh Latifi, Ali Sabzi, Armin Khosravi, Siavash Ahmadi, Babak Khalaj, Mohammad Hossein Rohban, Glolamali Aminian, Zohreh Amoozgar, Tahereh Javaheri

机构 * Department of Medicinal Chemistry, Faculty of Pharmacy, Tehran University of Medical Sciences（药学系，泰赫兰医科大学） ； Department of Computer Sciences, Faculty of Mathematics and Computer Sciences, Amir Kabir University of Technology（计算机科学系，阿米尔·卡比尔技术大学） ； Department of Mathematical Sciences, Sharif University of Technology（数学科学系，沙菲克技术大学） ； Department of Computer Sciences, Missouri University of Science and Technology（计算机科学系，密苏里科学与技术大学） ； Department of Computer Engineering, Sharif University of Technology（计算机工程系，沙菲克技术大学） ； Department of Faculty of Interdisciplinary Science and Technology, Tarbiat Modares University（跨学科科学与技术学院，塔里亚特莫达res大学） ； Electronics Research Institute, Sharif University of Technology（电子研究所，沙菲克技术大学） ； Department of Electrical Engineering, Sharif University of Technology（电气工程系，沙菲克技术大学） ； The Alan Turing Institute, London, United Kingdom（艾伦·图灵研究所，伦敦，英国） ； Department of Radiation Oncology, Massachusetts General Hospital & Harvard Medical School（放射肿瘤科，麻省总医院及哈佛医学院） ； Health Informatics Lab, Metropolitan College, Boston University（健康信息学实验室，波士顿大学） 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 本研究评估了大型语言模型在药学执业资格问答任务中的性能，并开发了一种外部知识整合方法以提高准确性，通过DrugRAG流水线整合结构化药物知识，从而提升药学相关问答任务的LLM性能。

Comments 14 pages, 2 figures, 2 tables. The revised version includes McNemar's paired statistical analysis, Wilson confidence intervals, expanded methodological clarifications, a revised discussion of evidence retrieval, improved reproducibility details, and updated limitations

Retrieval-Augmented Code Generation: A Survey with Focus on Repository-Level Approaches

检索增强的代码生成：聚焦于仓库级方法的综述

Yicheng Tao, Yuante Li, Yao Qin, Yepang Liu

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Chinese University of Hong Kong（香港中文大学） ； Southern University of Science and Technology（南方科技大学） 纠错

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

AI总结 本文综述了检索增强的代码生成方法，重点探讨仓库级方法，分析了其在大规模代码生成中的挑战与解决方案，总结了现有方法的分类框架及关键挑战。

MTR-Suite: A Framework for Evaluating and Synthesizing Conversational Retrieval Benchmarks

MTR-Suite: 一个用于评估和合成对话检索基准的框架

Junhao Ruan, Abudukeyumu Abudula, Bei Li, Yongjing Yin, Xinyu Liu, Kechen Jiao, Xin Chen, Jingang Wang, Xunliang Cai, Tong Xiao, Jingbo Zhu

机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Meituan Inc.（美团公司） ； NiuTrans Research（牛译研所） ； Tsinghua University（清华大学） 纠错

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

AI总结 本文提出MTR-Suite框架，通过LLM审计、多智能体系统生成和通用领域基准，解决对话检索基准评估和合成中的成本高、标注稀疏和自动化方法僵化的问题。

Comments Accepted to ACL 2026 (main conference). 28 pages. Code and data: https://github.com/rangehow/mtr-suite

Beyond Semantic Similarity: A Two-Phase Non-Parametric Retrieval Workflow for Corporate Credit Underwriting

超越语义相似性：一种用于企业信贷审批的双阶段非参数检索流程

Linus Ng Junjia, Ezekiel Tee Kongquan, Kelvin Heng, Kenneth Zhu Ke, Zhao Jing Yuan

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 本文提出了一种双阶段非参数检索架构，旨在解决信贷审批中检索结果与决策有用性之间的差距问题，通过结合词法和密集多语言检索构建候选池，并利用LLM作为判断机制对文档进行实用性评分，从而提高检索效率和实用性。

GraphRAG on Consumer Hardware: Benchmarking Local LLMs for Healthcare EHR Schema Retrieval

在消费级硬件上实现GraphRAG：对本地LLMs在医疗EHR模式检索中的基准测试

Peter Fernandes, Ria Kanjilal

机构 * Department of Computer Engineering（计算机工程系） ； California Polytechnic State University（加州州立大学波特兰分校） 纠错

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

AI总结 本文研究了在消费级硬件上使用本地LLMs进行医疗EHR模式检索的GraphRAG方法，评估了四种不同模型在索引效率、知识图构建、查询延迟、回答质量和幻觉方面的表现，发现模型参数大小和检索模式对结果有显著影响。

Comments 9 pages, 1 figure, 5 tables

END: Early Noise Dropping for Efficient and Effective Context Denoising

END：早期噪声丢弃以实现高效有效的上下文去噪

Hongye Jin, Pei Chen, Jingfeng Yang, Zhengyang Wang, Fangran Mo, Jinghan Zhang, Meng Jiang, Yifan Gao, Binxuan Huang, Xinyang Zhang, Zheng Li, Tianyi Liu, Huasheng Li, Bing Yin

机构 * Amazon（亚马逊） 纠错

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

AI总结 本文提出END方法，通过在早期层对输入序列进行分割和线性探针，有效识别并丢弃噪声部分，从而提升LLM在不同任务上的性能和效率，同时加深了对LLM内部上下文推理机制的理解。

AutoRPA: Efficient GUI Automation through LLM-Driven Code Synthesis from Interactions

AutoRPA: 通过基于LLM的代码合成实现高效的GUI自动化

Minghao Chen, Xinyi Hu, Zhou Yu, Yufei Yin

机构 * Zhejiang Key Laboratory of Space Information Sensing and Transmission（浙江空间信息感知与传输重点实验室） ； School of Computer Science, Hangzhou Dianzi University（杭州电子科技大学计算机科学学院） 纠错

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

AI总结 本文提出AutoRPA框架，通过将ReAct风格代理的决策逻辑自动转化为鲁棒的RPA功能，提高GUI自动化效率和可重用性，同时减少82%到96%的token使用量。

Comments Accepted in ICML 2026

CALMem : Application-Layer Dual Memory for Conversational AI

CALMem : 会话AI的应用层双记忆

Rajendra Narayan Jena, Rajan Padmanabhan, Sankar Arumugam

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

AI总结 针对大型语言模型固定上下文窗口限制会话连续性的问题，CALMem提出了一种应用层双记忆架构，通过结合事件记忆层和语义记忆层，实现无限制的有效上下文容量，无需修改底层模型。

Towards Autonomous Mechanistic Reasoning in Virtual Cells

向虚拟细胞中的自主机理推理迈进

Yunhui Jang, Lu Zhu, Jake Fawkes, Alisandra Kaye Denton, Dominique Beaini, Emmanuel Noutahi

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； Valence Labs（Valence实验室） ； University College London（伦敦大学学院） 纠错

专题命中 检索器与排序 ：knowledge retrieval(abstract)；分类 cs.AI

AI总结 本文提出了一种结构化解释形式化方法，用于虚拟细胞中的生物推理，通过机理动作图实现系统验证和反驳，并引入VCR-Agent多智能体框架，结合生物基础知识检索和基于验证器的过滤方法，生成并验证机理推理。