RAG / 检索增强生成

Iterate Until Retrieved: Factual Nugget Optimization for Discoverable Continual Corrections in Agentic RAG

迭代直到检索到：面向可发现持续修正的事实性片段优化在智能体RAG中的应用

Moshe Hazoom, Gal Patel, Alon Talmor, Tom Hope

机构 * Mosaic AI ； The Hebrew University of Jerusalem（希伯来大学杰里科分校） 纠错

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

AI总结 提出迭代片段优化（INO）方法，通过将反馈转化为事实性片段并利用生产环境智能体RAG系统迭代优化，提升事实性修正的可发现性和使用率。

An Efficient and Privacy-Preserving Architecture for Cross-Institutional Collaborative RAG

一种高效且保护隐私的跨机构协作RAG架构

Chenxin Mao, Shangyu Liu, Zhenzhe Zheng, Fan Wu, Jie Wu, Guihai Chen

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

AI总结 提出FedRAG框架，通过Scrambled Distributed Attention协议解决跨机构RAG中Transformer自注意力机制与隐私保护的冲突，实现高吞吐量、隐私保护且无需专用硬件或模型重训练。

MimirRAG: A Multi-Agent RAG Framework for Financial Data Retrieval with Metadata Integration

MimirRAG：一种集成元数据的金融数据检索多智能体RAG框架

Magnus Samuelsen, Wilmer Nyström, Somnath Mazumdar, Mansoor Hussain, Mikkel Strange

机构 * Copenhagen Business School（哥本哈根商学院） 纠错

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

AI总结 提出MimirRAG多智能体RAG框架，通过元数据集成、表格感知分块和智能体工作流，在金融数据检索中实现89.3%准确率，优于基线。

RAG-Match: Retrieval-Augmented Knowledge Injection and Hierarchical Reasoning for Calibrated Semantic Relevance

RAG-Match：面向校准语义相关性的检索增强知识注入与分层推理

Hengjun Jiang, Liansheng Sun, Yan Jiang, Xiaojie Ke, Yongjin Wang, Xiangkun Liu, Cunxin Gu, Jian Xu, Guanjun Jiang

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

AI总结 提出RAG-Match三阶段框架，通过知识增强预训练、分层推理对齐和偏好决策校准，提升搜索场景中细粒度语义相关性判断的准确性。

Comments 17 pages, 1 figure, 5 tables

Memento: Personalized RAG-Style Long-Retention Data Scaling for META Ads Recommendation

Memento: 面向Meta广告推荐的个性化RAG式长期数据扩展

Xiaoyu Chen, Ruichen Wang, Jieming Di, Suofei Feng, Nafis Abrar, Lilly Kumari, Tony Tsui, Yilin Liu, Yu Lu, Sowmya Patapati, Junwei Xiong, Qiao Yang, Dorothy Sun, Yang Cao, Victor Chen, Pan Chen, Ramsundar Sundarkumar, Shivendra Pratap Singh, Arnold Overwijk, Ling Leng, Dinesh Ramasamy, Sri Reddy, Robert Malkin, Sandeep Pandey

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

AI总结 提出Memento框架，通过个性化检索增强生成（RAG）方式，利用最大边际相关性（MMR）从用户历史行为中检索相关交互，解决长历史数据建模中的注意力稀释、系统效率和灾难性遗忘问题，在广告推荐中提升点击率1%和转化率1.2%。

Chain of Evidence: Pixel-Level Visual Attribution for Iterative Retrieval-Augmented Generation

证据链：面向迭代检索增强生成的像素级视觉归因

Peiyang Liu, Ziqiang Cui, Xi Wang, Di Liang, Wei Ye

机构 * National Engineering Research Center for Software Engineering, Peking University（软件工程国家级工程研究中心，北京大学） ； City University of Hong Kong（香港城市大学） ； Peking University（北京大学） ； Tencent Technology（腾讯科技） 纠错

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

AI总结 提出Chain of Evidence (CoE)框架，利用视觉语言模型直接对检索到的文档截图进行推理，输出精确边界框以可视化完整推理链，解决迭代检索增强生成中的粗粒度归因和视觉语义丢失问题。

Hybrid Deep Searcher: Scalable Parallel and Sequential Search Reasoning

混合深度搜索器：可扩展的并行与顺序搜索推理

Dayoon Ko, Jihyuk Kim, Haeju Park, Sohyeon Kim, Dahyun Lee, Yongrae Jo, Gunhee Kim, Moontae Lee, Kyungjae Lee

机构 * Seoul National University（首尔国立大学） ； LG AI Research（LG AI研究） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of Seoul（首尔大学） 纠错

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

AI总结 提出混合搜索策略HybridDeepSearcher，通过并行查询扩展与显式证据聚合结合顺序推理，在多个基准上显著提升性能并实现测试时搜索扩展。

Comments Accepted to ICLR 2026

FreeRet: MLLMs as Training-Free Retrievers

FreeRet: 无需训练的多模态大语言模型检索器

Yuhan Zhu, Xiangyu Zeng, Chenting Wang, Xinhao Li, Chunxu Liu, Yicheng Xu, Ziang Yan, Yi Wang, Limin Wang

机构 * Nanjing University（南京大学） ； Shanghai AI Lab（上海人工智能实验室） ； Shanghai Jiaotong University（上海交通大学） ； Institute of Science Tokyo（东京科学研究院） ； Zhejiang University（浙江大学） 纠错

专题命中 检索器与排序 ：RAG(abstract,abstract_cn)；retriever(abstract)

AI总结 提出FreeRet框架，将现成的多模态大语言模型转化为无需额外训练的两阶段检索器，通过语义嵌入和重排序提升检索性能。

Comments ICML 2026

The Multilingual Curse at the Retrieval Layer: Evidence from Amharic

多语言诅咒在检索层：来自阿姆哈拉语的证据

Yosef Worku Alemneh, Kidist Amde Mekonnen, Maarten de Rijke

机构 * Independent Researcher（独立研究者） ； University of Amsterdam（阿姆斯特丹大学） 纠错

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

AI总结 针对零样本多语言检索在低资源形态丰富语言（如阿姆哈拉语）上表现不佳的问题，通过对比实验发现单语检索器显著优于多语言检索器，并揭示了多语言基准测试的局限性。

Comments 10 pages, 4 tables. Accepted to the 1st Workshop on Multilinguality in the Era of Large Language Models (MeLLM) at ACL 2026

MEMTIER: Tiered Memory Architecture and Retrieval Bottleneck Analysis for Long-Running Autonomous AI Agents

MEMTIER：面向长期运行的自主AI智能体的分层内存架构与检索瓶颈分析

Bronislav Sidik, Lior Rokach

机构 * Institute for Applied AI Research（应用人工智能研究所） ； Faculty of Computer and Information Science（计算机与信息科学学院） ； Ben-Gurion University of the Negev（贝内尔-加里翁大学） 纠错

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

AI总结 提出MEMTIER三层内存架构，通过结构化事件存储、五信号加权检索、注意力归因权重更新、异步合并机制和PPO策略，在LongMemEval-S基准上将全上下文基线准确率从5%提升至38%，并支持本地6GB GPU运行。

Comments 11 pages, 1 figure, 5 tables. Under review

Spectral Retrieval: Multi-Scale Sinc Convolution over Token Embeddings for Localized Retrieval in LLM Multi-Agent Systems

光谱检索：基于多尺度sinc卷积的令牌嵌入局部化检索在LLM多智能体系统中的应用

Andrea Morandi

机构 * Cisco（思科） 纠错

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

AI总结 提出光谱检索方法，通过多尺度sinc卷积对令牌嵌入进行重排序，在无需重新训练的情况下显著提升局部化检索性能，并自然适配于LLM多智能体系统。

Retrieval-Augmented Detection of Potentially Abusive Clauses in Chilean Terms of Service

智利服务条款中潜在滥用条款的检索增强检测

Christoffer Loeffler, Tomás Rey Pizarro, Daniel Ignacio Miranda Vásquez, Andrea Martínez Freile

机构 * School of Computer Engineering, Pontificia Universidad Católica de Valparaíso（Pontificia Universidad Católica de Valparaíso计算机工程学院） ； Faculty of Law, Universidad Adolfo Ibáñez（Adolfo Ibáñez大学法学院） 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 提出检索增强生成框架，结合混合稠密-稀疏检索与提示增强，用于自动检测和分类智利服务条款中的潜在滥用条款，并引入包含100份合同和10,029条标注条款的语料库，实验表明该方法显著提升性能，使本地模型接近云端系统。

Comments 42 pages, 6 figures, 9 tables

Multilingual Humour-Aware Retrieval with Dense and Re-Ranking Models

基于稠密与重排序模型的多语言幽默感知检索

Georgios Arampatzis, Avi Arampatzis

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

AI总结 本研究使用XLM-RoBERTa稠密检索和重排序模型，在CLEF 2025 JOKER任务1基准上探索多语言幽默感知检索，发现葡萄牙语表现优于英语，揭示了语义表示在捕捉幽默线索方面的局限性。

Comments 8 pages

Meta-Modal Agent: Sequential Evidence Routing for Missing-Modality Candidate Reranking

元模态智能体：面向缺失模态候选重排序的序列证据路由

Jinze Wang, Yangchen Zeng, Tiehua Zhang, Lu Zhang, Yuze Liu, Zhishu Shen, Jiong Jin, Zhu Sun

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

AI总结 提出元模态智能体（MMA），将缺失模态问题转化为序列证据路由任务，通过基于大语言模型的候选池重排序器，结合平衡缺失任务强化学习，在冷启动场景下显著提升推荐性能。

Lngram: N-gram Conditional Memory in Latent Space

Lngram: 潜在空间中的N-gram条件记忆

Yunao Zheng, Guoyang Xia, Xiaojie Wang, Lei Ren

机构 * Beijing University of Posts and Telecommunications (BUPT)（北京邮电大学） ； Li Auto Inc.（Li Auto公司） 纠错

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

AI总结 提出Lngram，一种在潜在空间中学习离散符号并执行N-gram查找的条件记忆模块，以解耦检索与骨干网络，提升长上下文语言建模和跨模态任务性能。

The Model Is Not the Product: A Dual-Pillar Architecture for Local-First Psychological Coaching

模型并非产品：面向本地优先心理辅导的双支柱架构

Alexander Mihalcea

机构 * iOS application（iOS应用） 纠错

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

AI总结 本文提出Psych LM，一种基于本地优先架构的iOS应用，通过自动记忆语料库和检索增强生成实现近无限上下文窗口，在移动设备上提供可靠的上下文感知心理辅导。

Comments 10 pages, 3 figures

Your Embedding Model is SMARTer Than You Think

你的嵌入模型比你想象的更聪明

Jianrui Zhang, Hyun Jung Lee, Sukanta Ganguly, Tae-Eui Kam, Donghyun Kim, Yong Jae Lee

机构 * UW-Madison（威斯康星大学麦迪逊分校） ； Korea University（韩国大学） ； NetApp, Inc.（NetApp公司） 纠错

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.AI

AI总结 提出SMART框架，通过利用标准单向量模型的隐式多向量能力，在推理时应用后期交互，无需额外训练即可提升多模态检索性能。

What Makes a Medical Checker Trainable? Diagnosing Signal Collapse and Reward Hacking in Checker-Guided RAG for Biomedical QA

什么使医学检查器可训练？诊断生物医学问答中检查器引导的RAG中的信号崩溃和奖励黑客

Yuelyu Ji, Min Gu Kwak, Hang Zhang, Xizhi Wu, Chenyu Li, Yanshan Wan

机构 * University of Pittsburgh（匹兹堡大学） 纠错

专题命中 知识库问答 ：RAG(title,title_cn)；分类 cs.CL

AI总结 本文通过比较四种NLI检查器作为GRPO训练的医学RAG代理的过程奖励，诊断了信号崩溃和奖励黑客现象，发现检查器的输出分布而非保留准确率决定了其是否提供可训练梯度，并提出了验证器作为奖励系统的边界条件。

AstroRAG -- A Pagerank-Based Retrieval-Augmented Generation Pipeline for Question Answering in Astronomy

AstroRAG -- 一种基于PageRank的检索增强生成管道用于天文学问答

Zhifeng Wang, Jason Jingshi Li, Kaihao Zhang, Ramesh Sankaranarayana

机构 * Australian National University（澳大利亚国立大学） ； Learning Machines Pty Ltd 纠错

专题命中 知识库问答 ：retrieval-augmented generation(title,abstract)；RAG(abstract,abstract_cn)

AI总结 提出AstroRAG，一种基于PageRank的检索增强生成管道，通过两阶段检索（MMR和PR重排序）在严格token预算下选择紧凑互支持的上下文，无需训练且保护隐私，在天文学QA基准上使Mistral-7B准确率和F1分数达到79.49%，性能近乎翻倍。

Comments Accepted to IEEE CAI 2026

Leveraging Spreading Activation for Improved Document Retrieval in Knowledge-Graph-Based RAG Systems

利用传播激活改进基于知识图谱的RAG系统中的文档检索

Jovan Pavlović, Miklós Krész, László Hajdu

机构 * UP FAMNIT, University of Primorska（普里摩里卡大学FAMNIT学院） ； InnoRenew CoE, UP IAM, University of Primorska（InnoRenew联合学院、UP IAM、普里摩里卡大学） ； University of Szeged, Department of Applied Informatics（塞格德大学应用信息学系） 纠错

专题命中 长文档RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 提出一种基于自动构建异构知识图谱的传播激活算法，用于多跳问答中的文档检索，减少对语义知识图谱和LLM引导的依赖，性能优于或持平现有方法。

Comments 20 pages, 5 figures

SentGraph: Hierarchical Sentence Graph for Multi-hop Retrieval-Augmented Question Answering

SentGraph: 用于多跳检索增强问答的层次化句子图

Junli Liang, Pengfei Zhou, Wangqiu Zhou, Wenjie Qing, Qi Zhao, Ziwen Wang, Qi Song, Xiangyang Li

机构 * University of Science and Technology of China（中国科学技术大学） ； Hefei University of Technology（合肥工业大学） 纠错

专题命中 长文档RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 提出SentGraph，一种句子级图RAG框架，通过构建层次化句子图并建模细粒度逻辑关系，解决多跳问答中证据链不完整的问题。

Verbalized Algorithms: Classical Algorithms are All You Need (Mostly)

言语化算法：经典算法就是你所需要的（大部分）

Supriya Lall, Christian Farrell, Hari Pathanjaly, Marko Pavic, Sarvesh Chezhian, Masataro Asai

机构 * MIT CSAIL（MIT 计算与人工智能实验室） ； MIT-IBM Watson AI Lab（MIT-IBM 沃森人工智能实验室） ； IBM Infrastructure（IBM 基础设施） ； Marist University（马里斯特大学） ； UC Irvine（加州大学尔湾分校） ； IBM Research Cambridge, USA（IBM 英国剑桥研究中心） 纠错

专题命中 长文档RAG ：RAG(abstract,abstract_cn)；分类 cs.CL

AI总结 提出言语化算法（VA）范式，将LLM作为可靠的基本操作（如字符串比较）集成到经典算法中，以提升推理的准确性和效率。

Comments Accepted in NeurIPS 2025 Workshop on Efficient Reasoning; Submitted to Position Paper Track at Neurips 2026

Structure-Aware RAG: Structured Retrieval Augmented Generation from Noisy Data for Conversational Agents

结构感知检索增强生成：面向对话代理的噪声数据结构化检索增强生成

Kaiqiao Han, LuAn Tang, Renliang Sun, Peng Yuan, Wei Cheng, Haoyu Wang, Wei Wang, Yizhou Sun, Haifeng Chen

机构 * UCLA（加州大学洛杉矶分校） ； NEC Labs（日本电装实验室） 纠错

专题命中 图谱与结构化RAG ：RAG(title,summary_cn)；retrieval augmented generation(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 提出结构感知检索增强生成（SA-RAG），通过表格作为中间结构化表示来减少噪声并保留关键信息，结合质量感知的表格元数据生成框架和优化方法，在噪声真实数据集上显著优于现有RAG基线。

STREAM: A Data-Centric Framework for Mining High-Value Task-Oriented Dialogues from Streaming Media

STREAM：一个以数据为中心的框架，用于从流媒体中挖掘高价值任务导向对话

Liang Xue, Haoyu Liu, Cheng Wang, Pengyu Chen, Haozhuo Zheng, Yang Liu

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Byering Technology（伯英技术） 纠错

专题命中 图谱与结构化RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 提出STREAM框架，利用流媒体数据合成大规模多领域任务导向对话数据集StreamDial，通过角色构建和对话蓝图结合RAG生成高质量对话，解决数据稀缺问题。

BacktestBench: Benchmarking Large Language Models for Automated Quantitative Strategy Backtesting

BacktestBench：面向自动化量化策略回测的大语言模型基准测试

Zhensheng Wang, Wenmian Yang, Qingtai Wu, Lequan Ma, Yiquan Zhang, Weijia Jia

机构 * Beijing Normal University（北京师范大学） ； Elmleaf Ltd.（Elmleaf公司） 纠错

专题命中 图谱与结构化RAG ：retriever(abstract)；分类 cs.CL、cs.AI

AI总结 提出首个大规模自动化量化回测基准BacktestBench，包含18,246个问答对，并设计多智能体基线AutoBacktest，通过协调摘要器、检索器和编码器实现自然语言策略到可重复回测的转换。

Comments This paper has been accepted by KDD 2026 (Datasets and Benchmarks Track)

ORACAL: A Robust and Explainable Multimodal Framework for Smart Contract Vulnerability Detection with Causal Graph Enrichment

ORACAL: 一种基于因果图增强的鲁棒且可解释的智能合约漏洞检测多模态框架

Tran Duong Minh Dai, Triet Huynh Minh Le, M. Ali Babar, Van-Hau Pham, Phan The Duy

机构 * Information Security Lab, University of Information Technology（信息安全部，信息科技大学） ； Vietnam National University（越南国家大学） ； School of Computer Science and Information Technology, Adelaide University（计算机科学与信息技术学院，阿德莱德大学） 纠错

专题命中 多模态RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)

AI总结 提出ORACAL异构多模态图学习框架，集成控制流图、数据流图和调用图，通过RAG和LLM增强关键子图，并采用因果注意力机制和PGExplainer实现鲁棒且可解释的智能合约漏洞检测。

Comments 21 pages, version 2

PlanRAG-Audio: Planning and Retrieval Augmented Generation for Long-form Audio Understanding

PlanRAG-Audio：面向长音频理解的规划与检索增强生成

Masao Someki, Chien-yu Huang, Siddhant Arora, Samuele Cornell, Markus Müller, Nathan Susanj, Rupak V Swaminathan, Grant P Strimel, Jing Liu, Shinji Watanabe

专题命中 多模态RAG ：retrieval augmented generation(title)；retrieval-augmented generation(abstract)

AI总结 提出PlanRAG-Audio框架，通过规划查询所需模态和时间跨度并仅检索相关信息，实现长音频的高效推理，提升准确率并稳定性能。

Comments Accepted to Findings of ACL 2026

Decision-Making with Lightweight Confidence-Aware Language Model for Autonomous Driving

基于轻量级置信感知语言模型的自动驾驶决策

Ruoyu Yao, Ruiguo Zhong, Pei Liu, Mingxing Peng, Rui Yang, Jun Ma

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

专题命中 多模态RAG ：retrieval augmented generation(abstract)；RAG(abstract)

AI总结 提出一种利用轻量级置信感知语言模型的决策框架，通过多智能体协作生成置信注释的决策演示并蒸馏到双头轻量模型，在nuPlan上实现SOTA成功率和低延迟。

Comments 8 Pages, 3 figures, ITSC 2026

Can LLMs Time Travel? Enhancing Temporal Consistency in Legal Agentic Search through Reinforcement Learning

LLM 能时间旅行吗？通过强化学习增强法律智能搜索中的时间一致性

Wei Fan, Yining Zhou, Mufan Zhang, Yanbing Weng, Yiran HU, Tianshi Zheng, Baixuan Xu, Chunyang Li, Jianhui Yang, Haoran Li, Yangqiu Song

机构 * Department of Computer Science and Engineering, HKUST, Hong Kong SAR, China（香港科技大学计算机科学与工程系） ； School of Law, Tsinghua University, Beijing, China（清华大学法学院） ； Cheriton School of Computer Science, University of Waterloo, Waterloo, Canada（滑铁卢大学丘成桐计算机科学系） 纠错

专题命中 RAG评测 ：RAG(summary_cn,abstract)；分类 cs.CL、cs.AI

AI总结 提出 LegalSearch-R1 框架，结合本地 statute RAG 和在线搜索，通过强化学习在跨修订期数据上训练，以解决法律 LLM 的时间偏差和搜索代理缺乏时间约束的问题，在13项法律任务上超越现有方法。

Comments Under Review

What Gets Cited: Competitive GEO in AI Answer Engines

什么被引用：AI 问答引擎中的竞争性生成式引擎优化

Rahul Vishwakarma, Shushant Kumar, Ratnesh Jamidar

机构 * Sprinklr 纠错

专题命中 RAG评测 ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 研究 AI 问答引擎中两个检索候选源竞争时，哪些因素决定哪个源被优先引用，通过控制实验发现主题相关性和列表位置是主要驱动因素。