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。
从规范到指标 (N2I-RAG): 一种用于法律指标计算的智能检索增强生成框架
机构 * LISI Laboratory（LISI实验室） ； Cadi Ayyad University（卡迪·阿亚德大学） ； Univ Brest（布列塔尼大学） ； IRD, Univ Brest, CNRS, Ifremer, LEMAR（IRD、布列塔尼大学、CNRS、Ifremer、LEMAR）
专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.AI
AI总结 提出N2I-RAG框架，通过自适应检索、基于LLM的智能体和验证机制，实现从法律文本到指标的透明、可追溯的自动计算，在法国海洋环境法语料库上优于基线方法。
Cordon-MAS：通过信息流控制防御 RAG 的知识投毒
机构 * Zhejiang University（浙江大学） ； Binjiang Institute of Zhejiang University（浙江大学滨江研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang Lab（浙江实验室） ； Harbin Institute of Technology（哈尔滨工业大学） ； Hangzhou Dianzi University（杭州电子科技大学）
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 针对检索增强生成（RAG）中的 Confundo 式投毒攻击，提出 Cordon-MAS 框架，通过分离证据提取、跨源审计和答案合成到具有非对称内存权限的智能体中，将攻击成功率相对降低 92.4%，将投毒问题从检测重新定义为信息流控制。
重新思考智能体RAG：迈向超越嵌入的LLM驱动逻辑检索
专题命中 检索器与排序 ：RAG(title,title_cn)；分类 cs.IR
AI总结 提出一种智能体RAG框架，让LLM通过逻辑表达式控制检索，使用轻量级倒排索引后端，在降低成本和幻觉的同时匹配强基线性能。
检索增强生成的上下文优化：梯度下降视角
机构 * University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校） ； University of Connecticut（康涅狄格大学） ； Emory University（埃默里大学）
专题命中 检索器与排序 ：RAG(summary_cn,abstract)；retrieval-augmented generation(title,abstract)；retriever(abstract)；分类 cs.CL
AI总结 本文从梯度下降视角研究检索增强生成（RAG）作为上下文优化过程，提出一种轻量级前向更新方法，在冻结LLM和检索器的情况下提升生成器对检索证据的利用。
在RAG阅读中区分语义竞争与上下文长度
机构 * Meta Platforms（Meta平台）
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 通过匹配对照实验，分离出检索增强生成中阅读器的语义竞争效应，证明性能下降部分源于竞争而非仅上下文长度。
Comments 4 pages, 1 figure, 2 tables
LitSeg: 面向文学RAG的叙事感知文档分割
机构 * Peking University（北京大学）
专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI
AI总结 提出LitSeg，一种基于叙事理论引导的文档分割框架，通过多阶段提示提取事件、梳理叙事线索并定位转折点，以解决现有分割方法忽视文学叙事结构导致检索与生成性能下降的问题，并引入轻量版LitSeg-Lite通过数据蒸馏降低计算开销。
基于检索增强生成和大语言模型的SDN中地毯式轰炸DDoS攻击的智能检测与缓解
机构 * College of Electronics and Information Engineering, Shenzhen University（深圳大学电子与信息工程学院） ； ICNLab, Shenzhen Graduate School, Peking University（北京大学深圳研究生院ICN实验室）
专题命中 检索器与排序 ：RAG(summary_cn,abstract)；retrieval-augmented generation(title,abstract)；分类 cs.AI
AI总结 提出一种结合检索增强生成（RAG）和大语言模型（LLM）的框架，通过接口级流量特征、语义嵌入和相似性检索，实现对SDN中地毯式轰炸DDoS攻击的实时检测与缓解，无需传统监督训练。
覆盖幻觉：从检索前路由失败到生产RAG系统中的检索后级联
机构 * Aarhus University（奥胡斯大学）
专题命中 检索器与排序 ：RAG(title,title_cn)；分类 cs.IR、cs.CL
AI总结 本文通过丹麦国家百科全书的案例研究，发现合成查询高估了LLM增强的需求（覆盖幻觉），并提出一种检索后级联策略，按成本递增顺序执行工作流，仅在无结果时升级到LLM增强，从而在无需训练开销的情况下提升质量并降低延迟。
查询自适应语义分块用于检索增强生成：一种具有上下文窗口扩展的动态策略
机构 * Independent Researcher（独立研究者）
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 提出查询自适应语义分块（QASC）方法，通过将查询融入分块过程，利用句子-查询嵌入余弦相似度、上下文窗口扩展和分块级分数聚合，动态构建相关且连贯的文档块，在F1分数上比固定分块提升18-27%，比语义和智能体分块提升8-12%。
APEX-Searcher: 通过子目标细化信用分配以增强智能体检索增强生成
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS部） ； Wenge Technology Co., Ltd（Wenger科技有限公司）
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 针对复杂多跳问答中检索路径模糊和端到端强化学习奖励稀疏的问题，提出APEX-Searcher，通过分离规划与执行的信用分配（规划用RL优化、执行用SFT学习），在多个基准上取得一致提升。
从Reddit平台策划和提取药物相关实体
机构 * Population Health Sciences, Weill Cornell Medicine, New York City, USA（威立·科恩医学中心人口健康科学系，纽约市，美国） ； School of Computing and Information Systems, University of Melbourne, Melbourne, Australia（墨尔本大学计算机与信息系统学院，墨尔本，澳大利亚） ； Emergency Medicine, Weill Cornell Medicine, New York City, USA（急诊医学，威立·科恩医学中心，纽约市，美国）
专题命中 检索器与排序 ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL
AI总结 为解决医生对非法药物真实使用情况了解有限的问题，本文构建了ReDose数据集（6435条Reddit帖子），并采用BERT、LLM和RAG模型进行药物、剂量和效果实体提取，其中BiomedBERT在药物实体上F1达0.843，Llama-3 70B优于GPT-4，但效果提取仍具挑战。
Comments Accepted by IEEE International Conference on Healthcare Informatics (ICHI 2026)
两阶段排序中早期检索的信用分配策略梯度
机构 * Computer Science Department, Cornell University, Ithaca, NY, USA（康奈尔大学计算机科学系） ； Central Applied Science, Meta, Menlo Park, CA, USA（Meta中央应用科学）
专题命中 检索器与排序 ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI
AI总结 针对两阶段排序中早期排序器（ESR）端到端训练难的问题，提出信用分配策略梯度（CA-PG），通过对目标项被选中的概率求梯度来降低方差，提升训练稳定性和收敛速度。
Comments ICML2026
检索即推理：通过LLM-Wiki实现自我进化的智能体原生检索
机构 * Tencent Inc.（腾讯公司）
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 提出LLM-Wiki系统，将外部知识组织为可编译、可组合、自进化的Wiki页面，通过工具调用接口实现搜索、阅读和链接跟踪操作，并引入错误簿进行持续自纠正，在多项多跳问答基准上取得最优结果。
Comments 15 pages, 3 figures, 10 tables, 1 algorithm
检测不等于解决：检索增强型大语言模型中的监控控制差距
机构 * Zhejiang University（浙江大学） ； Binjiang Institute of Zhejiang University（浙江大学滨江研究院） ； Hangzhou Dianzi University（杭州电子科技大学） ； National Fintech Evaluation Center（国家金融科技评估中心）
专题命中 检索器与排序 ：RAG(abstract,abstract_cn)；分类 cs.AI
AI总结 本文通过多轮文档累积协议发现检索增强型大语言模型存在监控控制差距，即模型能识别矛盾证据但无法安全约束最终建议，并揭示其机制在于行动选择缺陷。
RAGEAR: 检索增强的图增强学术推荐器
机构 * Department of Mathematics and Computer Science, University of Catania, Italy（卡塔尼亚大学数学与计算机科学系，意大利） ； Institute for Cognitive Science and Technology, National Research Council, Italy（意大利国家研究委员会认知科学与技术研究所）
专题命中 检索器与排序 ：dense retrieval(abstract)；分类 cs.IR、cs.AI
AI总结 提出RAGEAR，一种神经符号推荐系统，结合密集检索和知识图谱，通过图感知聚合函数将片段级证据传播到课程级推荐，在学术课程推荐中优于元数据基线。
面向检索代理的自然语言查询到配置
机构 * UC Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； Microsoft Azure Research - Systems（微软Azure研究 - 系统）
专题命中 检索器与排序 ：retriever(abstract)；分类 cs.AI
AI总结 提出BRANE方法，利用LLM将查询转换为工作负载特征，并训练轻量级预测器选择最优配置，在多个基准上实现成本-质量帕累托前沿的优化。
LLM引导的层次化搜索用于端到端推理密集型检索
机构 * UT Austin（得克萨斯大学） ； UCLA（加州大学洛杉矶分校） ； Google（谷歌）
专题命中 检索器与排序 ：retriever(abstract)；分类 cs.IR
AI总结 本文提出LATTICE，一种无需嵌入模型的LLM引导层次化搜索方法，通过LLM构建搜索索引并校准路径聚合遍历，在推理密集型基准上达到与最优微调集成基线相当的性能。
Gemini Embedding 2：来自Gemini的原生多模态嵌入模型
机构 * Gemini Report（Gemini 报告）
专题命中 向量检索 ：RAG(abstract,abstract_cn)
AI总结 提出原生多模态嵌入模型Gemini Embedding 2，通过多任务多阶段对比学习统一视频、音频、图像和文本的表示空间，在单模态、跨模态和多模态检索任务上达到最先进性能。
从PDF到RAG就绪：评估面向特定领域问答的文档转换框架
机构 * Faculty of Engineering, University of Porto（葡萄牙波尔图大学工程学院） ； Department of Business Administration, University of Maia（马亚大学商业管理系） ； LIACC—Artificial Intelligence and Computer Science Laboratory, University of Porto（葡萄牙波尔图大学人工智能与计算机科学实验室） ； Department of Communication Sciences and Information Technologies, University of Maia（马亚大学通讯科学与信息科技系） ； School of Health, Polytechnic of Porto（波尔图理工学院健康学院） ； School of Technology and Management, Polytechnic Institute of Maia（马亚理工学院技术与管理学院）
专题命中 知识库问答 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI
AI总结 通过系统比较四种开源PDF转Markdown框架的21种流水线配置，发现文档预处理质量（尤其是层次化分块和元数据增强）对RAG系统问答准确率的影响远超转换工具本身，最佳配置（Docling+层次化分块+图像描述）达到94.1%准确率，超越人工整理。
Comments 27 pages, 3 figures, 7 tables
Journal ref Applied Sciences 16 (2026) 5069
工具模式压缩实现受限上下文预算下的智能体检索增强生成
机构 * Independent Researcher（独立研究者）
专题命中 长文档RAG ：RAG(title,summary_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI
AI总结 针对智能体RAG系统中工具模式与检索上下文竞争资源的问题，提出工具模式压缩方法，在8K上下文预算下将平均精确匹配率提升20.5个百分点，并验证了压缩模式在超过800个工具时仍可运行。
Comments 12 pages (8 main + 4 appendix), 7 tables, 2 figures. Code and data: https://github.com/SKZL-AI/tscg
AI Agent 用于逆向工程遗留有限差分代码并转换为 Devito
机构 * Department of Earth Science and Engineering（地球科学与工程系） ； Imperial College London（帝国理工学院伦敦分校） ； Department of Computer Science（计算机科学系） ； University College London（伦敦大学学院）
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 本研究提出一个集成 AI Agent 框架，结合检索增强生成（RAG）和开源大语言模型，通过多阶段迭代工作流将遗留有限差分代码转换为 Devito 环境，并引入强化学习反馈机制实现动态自适应代码翻译。
Comments 14 pages, 7 figures
Maat: 面向竞争保护的法律研究智能助手
机构 * Cairo Egypt（开罗埃及）
专题命中 图谱与结构化RAG ：RAG(summary_cn,abstract)；分类 cs.AI
AI总结 提出Maat，一种基于ReAct框架的智能法律研究助手，通过RAG、网络搜索和用户澄清机制，在竞争法案例检索中显著优于现有通用和专用法律助手。
Comments 5 pages, 1 figure
符号查询还是语义检索？面向半结构化问答的数据集与方法
机构 * Samsung AI Warsaw（三星AI华沙实验室） ； Samsung AI Cambridge（三星AI剑桥实验室）
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 提出 DualGraph 框架，通过文本知识图谱和符号知识图谱双视图实现半结构化文档的语义检索与符号查询结合，并在 SpecsQA 基准上超越现有方法。
GraphMind：从操作轨迹到自演化工作流自动化
机构 * Microsoft, USA ； University of Illinois Chicago, USA ； Microsoft, Spain
专题命中 图谱与结构化RAG ：RAG(abstract,abstract_cn)；分类 cs.AI
AI总结 提出GraphMind系统，通过离线提取因果工作流图、在线多智能体遍历执行和自适应遍历强化，实现云数据库事故调查中的自动化工作流，相比基线方法减少8倍检索上下文并降低26%幻觉率。
Helicase: 不确定性引导的供应链知识图谱构建与自主多智能体大语言模型
机构 * Department of Engineering, University of Cambridge（剑桥大学工程系） ； The Alan Turing Institute（艾伦·图灵研究所）
专题命中 图谱与结构化RAG ：knowledge retrieval(abstract)；分类 cs.AI
AI总结 提出Helicase，一种基于多智能体大语言模型的自主系统，通过不确定性引导的迭代验证和知识图谱构建，解决供应链中需要多跳推理的结构化推断问题，并引入SCQA基准评估。
OmniRetriever: 通过融合作为教师蒸馏实现任意到任意的音频-视频-文本检索
机构 * Memories.ai Research（Memories.ai研究院）
专题命中 多模态RAG ：RAG(abstract,abstract_cn)
AI总结 提出融合作为教师蒸馏方法，利用三元组嵌入的融合信号训练单模态嵌入，并构建OmniRetriever-7B模型，在零样本检索基准上超越现有方法，同时发布OmniRetriever-Bench基准。
FAB-Bench：半导体制造中自适应RAG基准测试框架
专题命中 RAG评测 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；retriever(abstract)；分类 cs.IR、cs.CL
AI总结 提出FAB-Bench框架，通过六项诊断指标和三种合成策略，评估半导体制造领域RAG系统在不同上下文窗口下的性能，发现注意力稀释是极端上下文长度下性能下降的主要原因。
OMD-GraphRAG：利用本体引导提取、多维聚类和双通道融合增强GraphRAG
机构 * Data Science & Artificial Intelligence Research Institute（数据科学与人工智能研究院）
专题命中 RAG评测 ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI
AI总结 提出OMD-GraphRAG框架，通过本体引导知识提取、多维社区聚类和双通道图检索融合，提升GraphRAG在复杂推理和多跳查询中的性能。
通过潜在迭代细化的符号回归
机构 * Georgia Institute of Technology（佐治亚理工学院）
专题命中 RAG评测 ：RAG(abstract,abstract_cn)
AI总结 提出潜在方程嵌入（LEE）框架，通过迭代推断在功能基础化的潜在空间中缩小符号回归的推断差距，生成更简单且准确的表达式。
Comments Preprint. 21 pages, 11 figures
归因盲点：检测语言模型何时依赖记忆而非检索到的上下文
机构 * Zhejiang University（浙江大学） ； Binjiang Institute of Zhejiang University（浙江大学滨江研究院） ； National Fintech Evaluation Center（国家金融科技评估中心） ； Hangzhou Dianzi University（杭州电子科技大学） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 RAG评测 ：retrieval-augmented generation(abstract)；分类 cs.AI
AI总结 本文提出计算现实监控（CRM）方法，通过比较有无上下文时的内部表征差异，检测语言模型是否依赖预训练记忆而非检索到的上下文进行生成，解决了输出级监控无法识别的归因盲点问题。
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