RAG / 检索增强生成

Benchmarking Google Embeddings 2 against Open-Source Models for Multilingual Dense Retrieval and RAG Systems

Google Embeddings 2 与开源模型在多语言稠密检索和 RAG 系统中的基准测试

Stefano Cirillo, Domenico Desiato, Giuseppe Polese, Giandomenico Solimando

机构 * University of Salerno（萨勒诺大学） ； University of Bari（巴里大学） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；dense retrieval(title)；分类 cs.CL

AI总结 通过对比 Google Embeddings 2 与五个开源模型在 BEIR 子集、合成意大利语 RAG 语料库和分块消融实验上的表现，发现 GE2 在所有任务上排名第一但延迟高，而 mE5-L 在延迟敏感场景下是优选，LaBSE 表现最差，且所有模型在 32 令牌分块时性能饱和。

Comments 9 pages, 2 figures, 5 tables. Text and evaluation code available at https://github.com/cciro94/GoogleEmbeddings2-benchmark

RAG-Pull: Turning Retrieval into a Code-Injection Channel via Invisible Unicode Perturbations

RAG-Pull：通过不可见Unicode扰动将检索转化为代码注入通道

Aritra Dhar, Vasilije Stambolic, Lukas Cavigelli

机构 * Computing System Labs, Huawei Technologies Switzerland AG（华为瑞士技术有限公司计算系统实验室） ； BKW Energie AG（BKW能源集团） 纠错

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

AI总结 提出RAG-Pull攻击，通过向查询或外部代码库插入不可见UTF字符，使检索系统偏向恶意代码，从而破坏LLM的安全对齐，实现远程代码执行和SQL注入。

AI-Friendly LaTeX: Using LaTeX Code as a Knowledge Source for Retrieval-Augmented Generation

AI友好的LaTeX：使用LaTeX代码作为检索增强生成的知识源

Tom Verhoeff

机构 * Department of Mathematics & Computer Science, Eindhoven University of Technology（数学与计算机科学系，埃因霍温理工大学） 纠错

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

AI总结 本文提出一种预处理方法，将LaTeX源码及其辅助文件和作者注释转换为Markdown和JSONL格式的文本块，以解决PDF提取中结构信息丢失的问题，从而提升检索增强生成在数学和技术材料上的可靠性。

Comments 19 pages, 3 figures

Through the Stealth Lens: Attention-Aware Defenses Against Poisoning in RAG

通过隐秘视角：检索增强生成中针对投毒攻击的注意力感知防御

Sarthak Choudhary, Nils Palumbo, Ashish Hooda, Krishnamurthy Dj Dvijotham, Somesh Jha

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； ServiceNow Research（ServiceNow研究） 纠错

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

AI总结 针对检索增强生成系统在低污染率下仍易受投毒攻击的问题，提出基于注意力权重的归一化段落注意力分数和注意力方差滤波器，实现高精度检测与防御，并揭示真正隐秘投毒的挑战。

Comments Accepted at ICML 2026

Retrieval Is Not Enough: Why Organizational AI Needs Epistemic Infrastructure

检索是不够的：为什么组织AI需要认知基础设施

Federico Bottino, Carlo Ferrero, Nicholas Dosio, Pierfrancesco Beneventano

机构 * Kakashi Ventures Accelerator (KVA)（Kakashi Ventures加速器） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

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

AI总结 本文提出OIDA框架，通过类型化知识对象、知识重力引擎和问题原语，解决组织AI中检索系统缺乏认知结构的问题，并引入认知质量评分（EQS）进行评估。

Comments 10 pages, 2 figures, 8 tables, 6 appendices

SeedER: Seed-and-Expand Retrieval from Knowledge Graphs

SeedER: 基于种子扩展的知识图谱检索

Hamed Shirzad, Frederik Wenkel, Dominique Beaini, Danica J. Sutherland, Emmanuel Noutahi

机构 * Valence Labs, Montréal, QC, Canada（Valence实验室，加拿大魁北克省蒙特利尔） ； University of British Columbia, Department of Computer Science, Vancouver, BC, Canada（不列颠哥伦比亚大学计算机科学系，加拿大不列颠哥伦比亚省温哥华） 纠错

专题命中 检索器与排序 ：retriever(abstract)；dense retrieval(abstract)

AI总结 提出SeedER框架，通过轻量级种子节点选取和图感知策略的强化学习迭代扩展，高效检索知识图谱中与查询相关的节点，在组合泛化和图约束子模优化上具有优势。

HARNESS-LM: A Three-Phase Training Recipe for Harnessing SLMs in Sponsored Search Retrieval

HARNESS-LM: 一种在赞助搜索中利用小语言模型的三阶段训练方案

Vipul Gupta, Shikhar Mohan, Lakshya Kumar, Pranjal Chitale, Nikit Begwani, Amit Singh, Manik Varma

机构 * Microsoft AI（微软人工智能） 纠错

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

AI总结 提出HARNESS-LM三阶段训练框架，通过知识蒸馏将大规模检索器能力迁移至紧凑模型，在Bing Ads上恢复98%以上精度并实现27倍延迟降低。

Comments 9 pages, 3 figures, 10 tables

EVE-Agent: Evidence-Verifiable Self-Evolving Agents

EVE-Agent: 证据可验证的自我进化智能体

Yamato Arai, Yuma Ichikawa

机构 * Fujitsu Limited（富士通株式会社） ； The University of Tokyo（东京大学） ； RIKEN center for AIP（理化学研究所AIP研究中心） 纠错

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

AI总结 提出EVE-Agent，通过证据可验证机制确保自我进化智能体生成的训练实例包含可审计的证据片段，从而提升答案的可靠性和可解释性。

Comments 23 pages, 2 figures

Test-Time Training Undermines Safety Guardrails

测试时训练削弱安全护栏

Simone Antonelli, Sadegh Akhondzadeh, Aleksandar Bojchevski

机构 * CISPA Helmholtz Center for Information Security（CISPA海德堡信息安全中心） ； University of Cologne（科隆大学） 纠错

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

AI总结 本文揭示测试时训练（TTT）引入新漏洞，攻击者可利用三种威胁模型绕过安全过滤器，显著提升攻击成功率，并首次提出基于困惑度偏移的轻量级检测器作为防御第一步。

Comments 30 pages, 4 figures. Project page: https://uoc-tail.github.io/ttt-jailbreak/

MatClaw: An Autonomous Code-First LLM Agent for End-to-End Materials Exploration

MatClaw: 一种用于端到端材料探索的自主代码优先LLM代理

Chenmu Zhang, Boris I. Yakobson

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

AI总结 提出MatClaw，一种代码优先的LLM代理，通过直接编写和执行Python代码、结合四层记忆架构和检索增强生成，实现多代码工作流在远程HPC集群上的自主运行，并在铁电CuInP2S6的三个端到端演示中验证了其可靠性，同时通过文献自学习和专家约束弥合隐性领域知识差距。