RAG / 检索增强生成

Lost in the Evidence? Reproducing Document Position and Context Size Effects in RAG

迷失在证据中？重现RAG中的文档位置和上下文大小效应

Jorge Gabín, Anxo Perez, Javier Parapar

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

AI总结 本文通过系统可重复性研究，分析了检索增强生成中文档排序和上下文大小的影响，提出了主题采样校准方法，并揭示了理想设置与现实RAG管道之间的差异。

Comments Accepted at SIGIR 2026: 49th International ACM SIGIR Conference on Research and Development in Information Retrieval

HGMEM: Hypergraph-based Working Memory to Improve Multi-step RAG for Long-Context Complex Relational Modeling

HGMem：基于超图的工作记忆以改进长上下文复杂关系建模的多步RAG

Chulun Zhou, Chunkang Zhang, Guoxin Yu, Fandong Meng, Jie Zhou, Wai Lam, Mo Yu

机构 * The Chinese University of Hong Kong.（香港中文大学） ； Pengcheng Laboratory.（鹏城实验室） ； WeChat AI, Tencent（微信AI，腾讯） ； University of Chinese Academy of Sciences.（中国科学院大学） 纠错

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HGMem超图工作记忆系统，通过超边表示记忆单元并渐进形成高阶交互，增强多步RAG中的全局理解和复杂推理能力。

Comments ICML 2026; Code released at https://github.com/Encyclomen/HGMem

Grounded Cache Routing for Retrieval-Augmented Generation: When Is It Safe to Reuse an Answer?

基于证据的缓存路由用于检索增强生成：何时可以安全地重用答案？

Syed Huma Shah

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、cs.AI

AI总结 提出GroundedCache，一种通过四个廉价门控（查询相似性、检索证据重叠、源版本有效性和词汇支持）验证缓存答案安全性的路由方法，显著降低不安全服务率。

Comments 19 pages, 9 figures, 10 tables. Code: https://github.com/syedhumarahim/grounded-cache-router

Search for Coverage: Learning Coverage-Aware Retrieval with Augmented Sub-Question Answerability

搜索覆盖：学习基于增强子问题可回答性的覆盖感知检索

Jia-Huei Ju, Eugene Yang, Trevor Adriaanse, Suzan Verberne, Andrew Yates

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

AI总结 提出CoveR，一种通过覆盖对比和蒸馏目标训练的密集检索方法，结合LLM生成的子问题可回答性信号，在长文本RAG中提升覆盖度10%而不牺牲相关性。

LegalGraphRAG: Multi-Agent Graph Retrieval-Augmented Generation for Reliable Legal Reasoning

LegalGraphRAG：面向可靠法律推理的多智能体图检索增强生成

Zerui Chen, Qinggang Zhang, Zhishang Xiang, Zhimin Wei, Linfeng Gao, Xiao Huang, Zhihong Zhang, Jinsong Su

机构 * School of Informatics, Xiamen University（厦门大学信息学院） ； Institute of Artificial Intelligence, Xiamen University（厦门大学人工智能研究院） ； The Hong Kong Polytechnic University（香港理工大学） 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 提出LegalGraphRAG框架，通过分层法律图和多智能体系统（研究员、审计员、裁决员）实现可靠的法律推理，在准确性和可信度上超越现有GraphRAG基线。

Comments 30 pages, 18 figures, ACL 2026 Main Conference. Project page: https://github.com/XMUDeepLIT/LegalGraphRAG

A Wolf in Sheep's Clothing: Targeted Routing Hijacking in Federated RAG

披着羊皮的狼：联邦RAG中的目标路由劫持

Junjie Mu, Qiongxiu Li

机构 * Politecnico di Milano（米兰理工大学） ； Aalborg University（奥胡斯大学） 纠错

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 本文提出路由劫持攻击，恶意客户端伪造语义配置文件以吸引目标查询，导致检索结果被篡改，并设计了一种基于信任的后路由框架来缓解该攻击。

Comments Under review. Code available at https://github.com/Junjie-Mu/routing-hijacking-fedrag

SilentRetrieval: Hijacking Retrieval-Augmented Generation via Semantically-Preserving Adversarial Data Poisoning

SilentRetrieval：通过语义保持的对抗性数据投毒劫持检索增强生成

Jiachen Qian

机构 * City University of Hong Kong（香港城市大学） 纠错

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

AI总结 提出SilentRetrieval两阶段数据投毒攻击，通过协调束搜索和上下文自适应触发生成，在保持文档流畅性的同时实现高检索命中率和攻击成功率，并评估了防御措施的有效性。

Comments 12 pages, 4 figures, KDD '26 camera-ready version

Journal ref Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD '26), August 09--13, 2026, Jeju Island, Republic of Korea

RAGe: A Retrieval-Augmented Generation Evaluation Framework

RAGe：一种检索增强生成评估框架

Larissa Guder, João Pedro de Moura, Arthur Accorsi, Gustavo Losch do Amaral, Maurício Cecílio Magnaguagno, Felipe Meneguzzi, Marcio Sorraglia Pinho, Dalvan Griebler

机构 * School of Technology, Pontifical Catholic University of Rio Grande do Sul（里约格兰德杜斯-萨尔大学技术学院） 纠错

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

AI总结 提出模块化框架RAGe，通过资源遥测和组件推荐，评估检索增强生成应用在准确性、效率和可扩展性之间的权衡，支持领域特定数据集的最佳组件选择。

A Systematic Evaluation of Retrieval-Augmented Generation and Language Models for Space Operations

检索增强生成与语言模型在太空操作中的系统评估

Ruben Belo, Marta Guimarães, Cláudia Soares

机构 * NOVA LINCS ； Neuraspace ； Technical University of Munich（慕尼黑技术大学） 纠错

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

AI总结 本文系统评估了结合大语言模型与信息检索技术的检索增强生成管道在太空操作中提取和综合领域知识的效果，比较了不同检索策略、嵌入模型和LLM回答对信息准确性、相关性和可靠性的影响。

Uncertainty Quantification for Retrieval-Augmented Reasoning

检索增强推理的不确定性量化

Heydar Soudani, Hamed Zamani, Faegheh Hasibi

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

AI总结 提出R2C方法，通过扰动多步推理过程来量化检索和生成的不确定性，在多个QA数据集上平均AUROC提升超5%。

SARAD: LLM-Based Safety-Aware Hybrid Reinforcement Learning with Collision Prediction for Autonomous Driving

SARAD：基于LLM的安全感知混合强化学习与碰撞预测在自动驾驶中的应用

Kangyu Wu, Peng Cui, Guoxi Chen, Ya Zhang

机构 * National Natural Science Foundation (NNSF) of China（中国国家自然科学基金委员会） ； National Science and Major Project（国家科学技术重大专项） 纠错

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

AI总结 提出SARAD框架，结合大语言模型和深度强化学习，通过检索增强生成和碰撞预测模块提升自动驾驶的安全性和效率。

Comments 7 pages, 4 figures, accepted by IJCNN 2026

Beyond Similarity: Task-Aligned Retrieval for Language Models

超越相似性：面向语言模型的任务对齐检索

Zhixing Sun, Shenghe Xu, Tao Li

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

AI总结 提出任务对齐检索（TAG）框架，用基于适用性的规则选择替代基于相似性的检索，在规则驱动任务中显著提升性能并减少检索上下文。

NanoVDR: Distilling a 2B Vision-Language Retriever into a 70M Text-Only Encoder for Visual Document Retrieval

NanoVDR：将20亿参数的视觉语言检索器蒸馏为7000万参数的纯文本编码器用于视觉文档检索

Zhuchenyang Liu, Yao Zhang, Yu Xiao

机构 * Aalto University（阿alto大学） 纠错

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

AI总结 利用查询-文档不对称性，通过蒸馏将20亿参数的视觉语言模型教师蒸馏为7000万参数的纯文本学生编码器，采用点态余弦对齐目标，实现视觉文档检索的高效推理。

BioELX: Cross-lingual Biomedical Entity Linking via Alias-based Retrieval and LLM Ranking

BioELX: 基于别名的检索与LLM排序的跨语言生物医学实体链接

Yi Wang, Corina Dima, Liangyu Zhong, Steffen Staab

机构 * University of Stuttgart, Germany（斯图加特大学） ； Technical University of Berlin, Germany（柏林技术大学） 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BioELX两阶段框架，通过维基数据多语言别名增强SapBERT检索器，并利用预训练LLM排序器进行上下文感知消歧，无需标注数据即在多个基准上取得最佳性能。

Comments 12 pages, 3 figures

Atomic Skills are the Prerequisite: When Reinforcement Learning Synthesizes Compositional Reasoning, and When It Only Amplifies

原子技能是前提：当强化学习合成组合推理时，以及当它仅放大时

Sitao Cheng, Xunjian Yin, Ruiwen Zhou, Yuxuan Li, Xinyi Wang, Liangming Pan, William Yang Wang, Victor Zhong

机构 * University of Waterloo（滑铁卢大学） ； Duke University（杜克大学） ； National University of Singapore（新加坡国立大学） ； Princeton University（普林斯顿大学） ； Peking University（北京大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） 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 通过互补推理任务，研究强化学习是合成新技能还是仅放大已有技能，发现强化学习在基础模型通过监督微调掌握独立原子技能后才能合成新组合策略。

Comments Work in Progress. Code and data are available at https://github.com/sitaocheng/from_atomic_to_composite

MERIT: Matching Expertise via Rubric-Informed Training for Reviewer Assignment

MERIT: 通过基于评分标准的训练进行审稿人匹配的专业知识匹配

Zixuan Yang, Yibo Zhao, Weicong Liu, Xiang Li

机构 * School of Data Science and Engineering, East China Normal University（数据科学与工程学院，东华大学） 纠错

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

AI总结 提出MERIT两阶段框架，通过强化学习训练审稿人评估器并蒸馏为检索器，实现大规模审稿人分配中的专业知识匹配。

Comments 22pages, 8 figures, 12 tables

FT-Pilot: Automated Fault-Tolerant RTL Rewriting via Vulnerability-Guided LLMs

FT-Pilot：通过漏洞引导的LLM实现自动化容错RTL重写

Weixing Liu, Zizhen Liu, Jing Ye, Naixing Wang, Cheng Liu, Huawei Li, Xiaowei Li

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

AI总结 提出FT-Pilot框架，结合GNN和LLM实现RTL级自动软错误加固，通过漏洞分析和代码重写降低输出错误率。

RASR: Retrieval-Augmented Super Resolution for Practical Reference-based Image Restoration

RASR: 面向实际参考图像复原的检索增强超分辨率

Jiaqi Yan, Shuning Xu, Xiangyu Chen, Dell Zhang, Jiantao Zhou, Jie Tang, Gangshan Wu, Jie Liu

机构 * State Key Laboratory for Novel Software Technology, Nanjing University（新型软件技术国家重点实验室，南京大学） ； Institute of Artificial Intelligence (TeleAI), China Telecom（人工智能研究院（TeleAI），中国电信） ； State Key Laboratory of Internet of Things for Smart City（物联网智慧城市国家重点实验室） ； Department of Computer Science and Information Science, University of Macau（澳门大学计算机科学与信息科学系） 纠错

专题命中 检索器与排序 ：retriever(abstract)

AI总结 提出检索增强超分辨率（RASR）范式，通过自动检索参考图像实现实际场景下的参考超分辨率，并构建基准数据集RASR-Flickr30及基线模型RASRNet。

Comments Accepted at ISCAS 2026

FD-RAG: Federated Dual-System Retrieval-Augmented Generation

FD-RAG: 联邦双系统检索增强生成

Tianhao Gao, Kai Yang, Yiyang Li

机构 * School of Computer Science and Technology（计算机科学与技术学院） 纠错

专题命中 知识库问答 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.IR、cs.AI

AI总结 提出FD-RAG框架，通过解耦轻量级记忆访问与按需LLM推理，并利用语义感知自适应超图蒸馏为紧凑QA记忆，在联邦设置下实现高效、隐私保护的检索增强生成。

A Fixed-Budget, Cluster-Aware Standard for LLM-as-a-Judge Evaluation: A Multi-Hop RAG Stress Test

固定预算、聚类感知的 LLM-as-a-Judge 评估标准：多跳 RAG 压力测试

Camilo Chacón Sartori, José H. García

机构 * Catalan Institute of Nanoscience and Nanotechnology（加泰罗尼亚纳米科学与纳米技术研究所） 纠错

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

AI总结 针对多跳 RAG 系统评估中的统计偏差问题，提出一种固定预算、聚类感知的 LLM-as-a-Judge 比较标准，并通过遗传算法证据选择器 GADMEC 在 400 个多跳问题上进行压力测试，揭示聚类感知推断改变了实证结论。

Beyond Chunk-Local Extraction: Cross-Chunk Graph Augmentation for GraphRAG

超越块级抽取：面向GraphRAG的跨块图增强

Jiaming Zhang, Yibo Zhao, Jing Yu, Jianxiang Yu, Xiang Li

机构 * School of Data Science and Engineering, East China Normal University（数据科学与工程学院，东华大学） 纠错

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

AI总结 提出CrossAug方法，利用GNN引导的跨块图增强，在查询前离线补充GraphRAG索引中缺失的跨块关系，提升多跳和长文档问答性能。

Comments 15 pages, 5 figures, 8 tables

GraphSteal: Structural Knowledge Stealing from Graph RAG via Traversal Reconstruction

GraphSteal：通过遍历重建从图RAG中窃取结构知识

Jinze Gu, Qinghua Mao, Xi Lin, Jun Wu

机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） 纠错

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

AI总结 提出一种结构导向的重建框架，通过深度优先启发式搜索和广度优先扩散搜索，从黑盒图RAG系统中高保真恢复隐藏知识图，揭示敏感实体、关系和结构依赖。

MM-PoisonRAG: Disrupting Multimodal RAG with Local and Global Poisoning Attacks

MM-PoisonRAG：通过局部和全局投毒攻击破坏多模态RAG

Hyeonjeong Ha, Qiusi Zhan, Jeonghwan Kim, Dimitrios Bralios, Saikrishna Sanniboina, Nanyun Peng, Kai-Wei Chang, Daniel Kang, Heng Ji

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California Los Angeles（加州大学洛杉矶分校） 纠错

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

AI总结 提出MM-PoisonRAG框架，通过局部投毒攻击（LPA）和全局投毒攻击（GPA）两种策略，系统研究多模态检索增强生成（RAG）在知识投毒下的脆弱性，实验表明攻击成功率高达56%且能绕过现有防御。

Comments Code is available at https://github.com/HyeonjeongHa/MM-PoisonRAG

OralAgent: Integrating Reasoning, Tools, and Knowledge for Interactive Dental Image Analysis

OralAgent: 融合推理、工具与知识的交互式牙科影像分析

Jing Hao, Siyuan Dai, Yongxin Zhang, Yuci Liang, Jiamin Wu, Jiahao Bao, Yuxuan Fan, Zanting Ye, Yanpeng Sun, Xinyu Zhang, Ming Hu, Liang Zhan, James Kit Hon Tsoi, Linlin Shen, Junjun He, Kuo Feng Hung

机构 * Faculty of Dentistry, the University of Hongkong, Hong Kong SAR, China（香港大学牙科学院，中国香港特别行政区） ； Department of Electrical and Computer Engineering, University of Pittsburgh, Pittsburgh, PA, USA（匹兹堡大学电气与计算机工程系，美国宾夕法尼亚州匹兹堡） ； Shenzhen University, China（深圳大学，中国） ； Department of Craniomaxillofacial Surgery, Shanghai Ninth People’s Hospital, China（上海第九人民医院口腔颌面外科部，中国） ； Nanyang technological University, Singapore（南洋理工大学，新加坡） ； School of Biomedical Engineering, Southern Medical University, China（南方医科大学生物医学工程学院，中国） ； Singapore University of Technology and Design, Singapore（新加坡科技设计大学，新加坡） ； University of Auckland, new zealand（奥克兰大学，新西兰） ； Shanghai Artificial Intelligence Laboratory , China（上海人工智能实验室，中国） 纠错

专题命中 多模态RAG ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；knowledge retrieval(abstract)；分类 cs.CL

AI总结 提出首个牙科专用AI智能体OralAgent，通过集成22种视觉分析工具和368本经典牙科教科书，实现多模态推理、工具决策与知识检索的自动化框架，在多个基准上达到最优性能。

Comments 14 pages, 7 figures, 6 tables

Adaptive Multimodal Agents-Based Framework for Automatic Workflow Execution

基于自适应多智能体框架的自动工作流执行

Susanna Cifani, Mario Luca Bernardi, Marta Cimitile

机构 * Sapienza University of Rome（罗马萨皮恩扎大学） ； Department of Engineering University of Sannio（萨尼奥大学工程系） ； Faculty of Jurisprudence Unitelma Sapienza University（法理学院萨皮恩扎大学） 纠错

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 提出一种多模态多智能体框架，通过离线构建拓扑知识库和在线自适应检索增强生成与闭环协作验证，实现自动工作流执行。

Comments Copyright 2026 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses. Accepted for publication at the 2026 IEEE International Conference on Evolving and Adaptive Intelligent Systems (EAIS 2026)

Analyzing Quality-Latency-Resource Trade-offs in a Technical Documentation RAG Assistant Using LoRA Adaptation

使用LoRA适配分析技术文档RAG助手中的质量-延迟-资源权衡

Evgenii Palnikov, Elizaveta Gavrilova

机构 * HSE University（俄罗斯高等经济大学） 纠错

专题命中 RAG评测 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL

AI总结 本研究通过LoRA适配器在RAG系统中分析质量、延迟和资源之间的权衡，发现仅对q和v注意力投影进行适配的配置在帕累托前沿占优。

Comments 13-page main body plus extended appendix; 6 figures; benchmark, LoRA adapters, and code at https://github.com/EugPal/rag-lora-tradeoffs

Relevant Is Not Warranted: Evidence-Force Calibration for Cited RAG

相关并不保证：引用RAG的证据力度校准

Pin Qian, Su Wang, Xiaoyuan Wang, Yihang Chen, Wenxuan Xu, Qiaolin Yu, Shuhuai Lin, Sipeng Zhang, Junxian You, Xinpeng Wei

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Dartmouth College（达特茅斯学院） ； Cornell University（康奈尔大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Glasgow（格拉斯哥大学） 纠错

专题命中 RAG评测 ：RAG(title,title_cn)；分类 cs.AI

AI总结 针对引用RAG中证据力度不足的问题，提出FORCEBENCH基准测试，通过对比证据校准声明与力度增强变体，评估模型在五个操作轴上的单调性，发现标准支持提示不足以校准证据力度。

EngiAI: A Multi-Agent Framework and Benchmark Suite for LLM-Driven Engineering Design

EngiAI: 面向LLM驱动工程设计的智能体框架与基准测试套件

Gioele Molinari, Florian Felten, Soheyl Massoudi, Mark Fuge

机构 * IDEAL Chair of Artificial Intelligence in Engineering Design（人工智能与工程设计理想 chair） ； ETH Zurich（苏黎世联邦理工学院） ； Autom8.build 纠错

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

AI总结 提出EngiAI多智能体系统框架和包含工作流、RAG、HPC三维度的基准套件，通过监督架构协调七个专业智能体，验证了LLM在工程设计中的能力与局限。

Comments 26 pages, 10 figures, to be published at IDETC 2026

Federated Language Models Under Bandwidth Budgets: Distillation Rates and Conformal Coverage

带宽预算下的联邦语言模型：蒸馏率与共形覆盖

Prasanjit Dubey, Xiaoming Huo

机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（H. Milton Stewart工业与系统工程学院，佐治亚理工学院） 纠错

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

AI总结 本文研究带宽受限节点间分布式语言模型的统计保证，提出联邦探针-对数蒸馏（FPLD）和联邦共形RAG（FC-RAG）两种协议，分别给出训练时的KL一致性率和推理时的无分布边际覆盖界，首次将带宽作为一阶统计参数。

A Benchmark Construction and Evaluation Framework for Specialist Domains: Case Study on Defense-related Documents

专业领域基准构建与评估框架：以国防相关文档为例

Bao Gia Doan, Aditya Joshi, Pantelis Elinas, Aarya Bodhankar, Oscar Leslie, Tom Marchant, Flora Salim

机构 * UNSW Sydney（新南威尔士大学悉尼分校） ； Cyndr AI 纠错

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

AI总结 提出DoRA框架，通过合成数据生成和双LLM流水线解决专业领域RAG问答的冷启动问题，在国防文档上显著减少幻觉并提升覆盖率和忠实度。