RAG / 检索增强生成

MHA-RAG: Improving Efficiency, Accuracy, and Consistency by Encoding Exemplars as Soft Prompts

MHA-RAG：通过将示例编码为软提示来提高效率、准确性和一致性

Abhinav Jain, Xinyu Yao, Thomas Reps, Christopher Jermaine

机构 * Department of Computer Science, Rice University（计算机科学系，里士大学） ； Department of Computer Science, University of Wisconsin–Madison（计算机科学系，威斯康星大学麦迪逊分校） 纠错

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

AI总结 提出MHA-RAG框架，将领域示例编码为软提示，通过多头注意力机制控制生成，在多个问答基准上相比标准RAG提升20点性能，同时降低10倍推理成本。

Comments 17 pages, 5 figures

Mind the Gap: Bridging Behavioral Silos with LLMs in Multi-Vertical Recommendations

注意差距：用LLM弥合多垂直领域推荐中的行为孤岛

Nimesh Sinha, Raghav Saboo, Martin Wang, Sudeep Das

机构 * DoorDash Inc.（DoorDash公司） 纠错

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

AI总结 提出利用LLM从数据丰富垂直领域（如餐厅）向稀疏领域（如杂货）迁移知识的框架，通过分层RAG生成多级特征，集成到MTL排序模型，显著提升新兴业务个性化与参与度。

RAVEN: Retrieval-Augmented Vulnerability Exploration Network for Memory Corruption Analysis in User Code and Binary Programs

RAVEN: 用于用户代码和二进制程序中内存损坏分析的检索增强漏洞探索网络

Parteek Jamwal, Minghao Shao, Boyuan Chen, Achyuta Muthuvelan, Asini Subanya, Boubacar Ballo, Kashish Satija, Mariam Shafey, Mohamed Mahmoud, Moncif Dahaji Bouffi, Pasindu Wickramasinghe, Siyona Goel, Yaakulya Sabbani, Hakim Hacid, Mthandazo Ndhlovu, Eleanna Kafeza, Sanjay Rawat, Muhammad Shafique

机构 * University of California, Berkeley（加州大学伯克利分校） 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RAVEN框架，结合LLM代理与检索增强生成，自动生成遵循Google Project Zero模板的漏洞分析报告，在105个样本上平均质量得分54.21%。

MADRAG: Multi-Agent Debate with Retrieval-Augmented Generation for Training-Free Analytic Essay Scoring

MADRAG: 基于检索增强生成的多智能体辩论用于免训练分析性论文评分

Ali Keramati, Shiyuan Zhou, Sharad Mehrotra, Mark Warschauer

机构 * University of California, Irvine（加州大学尔湾分校） 纠错

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

AI总结 提出MADRAG框架，结合多智能体辩论与检索增强，通过倡导者、批评者和法官的交互以及检索示例校准，实现无需训练的论文评分，性能接近监督系统。

Comments 21 pages, 7 figures, 14 tables

Queen-Bee Agents: A BeeSpec-Centered Architecture for Governed Enterprise MCP Orchestration

蜂后智能体：一种以BeeSpec为中心的受治理企业MCP编排架构

Dutao Zhang, Liaotian

机构 * Polytechnic University（理工学院） 纠错

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

AI总结 提出Queen-Bee多智能体架构，通过Queen控制平面检索能力、规划任务并编译BeeSpec，由Bee智能体在受限工具访问下执行，实现策略执行、租户隔离和边界内执行，在59个企业任务中达到0.964成功率且零治理失败。

Comments Technical report. Prototype-level systems evidence; 59 enterprise-style tasks

Superintelligent Retrieval Agent: The Next Frontier of Agentic Retrieval

超级智能检索代理：代理检索的下一个前沿

Zeyu Yang, Qi Ma, Jason Chen, Anshumali Shrivastava

机构 * Meta Superintelligence Labs（Meta超级智能实验室） ； Rice University（里士满大学） 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SIRA，通过单次语料判别性检索压缩多轮探索，利用LLM丰富文档词汇、预测查询缺失词汇并基于语料统计过滤，在BEIR基准上取得最强平均检索性能，并在下游QA任务中超越RL训练的代理系统。

Towards Retrieving Interaction Spaces for Agentic Search

面向智能体搜索的交互空间检索

Shengyao Zhuang, Yuansheng Ni, Hengxin Fun, Jimmy Lin, Xueguang Ma

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

AI总结 提出RISE方法，通过BM25构建有边界的交互空间，并预处理文档支持shell式导航，在BrowseComp-Plus上以约四分之一成本达到78%准确率，优于纯shell基线。

Subtraction Gets You More: Gap-Aware Retrieval for Multimodal Multi-Hop QA

减法让你获得更多：面向多模态多跳问答的差距感知检索

Sunah O, Jay-Yoon Lee

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

AI总结 针对多模态多跳问答中的证据集补全和序列池构建任务，提出GRAIL框架，通过隐式查询重写和上下文减法查询引导，解决语义锚定问题，实现组合跨模态推理，在MultimodalQA上获得40.3%的宏平均性能提升。

CORE: Contrastive Reflection Enables Rapid Improvements in Reasoning

CORE: 对比反思实现推理能力的快速提升

Linas Nasvytis, Simon Jerome Han, Ben Prystawski, Satchel Grant, Noah D. Goodman, Judith E. Fan

机构 * Stanford University（斯坦福大学） 纠错

专题命中 长文档RAG ：RAG(summary_cn,abstract)；分类 cs.AI

AI总结 提出对比反思（CORE）非参数学习算法，通过对比成功与失败的推理轨迹生成自然语言洞察，在少量样本和 rollout 下实现比参数方法（GRPO）和非参数方法（GEPA、情景RAG、MemRL）更快的推理性能提升。

SEEK: Steering LLM Reasoning for RAG via Internal Reasoning Sketches

SEEK: 通过内部推理草图引导LLM推理用于RAG

Xinze Li, Yuqing Lan, Zhenghao Liu, Haidong Xin, Yukun Yan, Shuo Wang, Zheni Zeng, Sen Mei, Ge Yu, Maosong Sun

机构 * School of Computer Science and Engineering, Northeastern University, China（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Institute for AI, Tsinghua University, China（清华大学计算机科学与技术系，人工智能研究院） ； School of Intelligent Science and Technology, Nanjing University, China（南京大学智能科学与技术学院） 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SEEK框架，通过构建结构化引导草图，迭代检索和填充知识槽，减少冗余检索，提升RAG性能。

Didact: A Cross-Domain Capability Discovery System for Defence

Didact：面向国防的跨领域能力发现系统

Aarya Bodhankar, Aditya Joshi, Bao Gia Doan, Thomas Marchant, Oscar Leslie, Flora Salim

机构 * University of New South Wales, Sydney, Australia（新南威尔士大学，悉尼，澳大利亚） ； Cyndr.ai, Australia（Cyndr.ai，澳大利亚） 纠错

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

AI总结 提出Didact原型系统，通过构建知识图谱和复合检索增强生成管道，整合异构国防报告与政策文档，支持自然语言对话和可视化证据追溯，解决跨领域能力发现碎片化问题。

Comments Under Review at CIKM 2026 (System Demonstration Track)

QUARE: Quality-Aware Requirements Analysis through Multi-Agent Dialectical Negotiation

QUARE：通过多智能体辩证协商进行质量感知的需求分析

Haowei Cheng, Milhan Kim, Foutse Khomh, Teeradaj Racharak, Nobukazu Yoshioka, Naoyasu Ubayashi, Hironori Washizaki

专题命中 图谱与结构化RAG ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)

AI总结 QUARE通过多智能体辩证协商解决需求质量分析中的多属性冲突，生成高质量需求规格，提升合规性和可验证性。

Reason-Then-Retrieve for CoVR-R with Structured Edit Prompts and Dense-Sparse Fusion

先推理后检索：面向CoVR-R的结构化编辑提示与密集-稀疏融合

DongQing Liu, MengShi Qi, HongWei Ji

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

专题命中 图谱与结构化RAG ：dense retrieval(abstract)

AI总结 针对CoVR-R任务，提出一种零样本的“先推理后检索”流水线，利用Qwen3.5-27B生成结构化描述和密集嵌入，并结合TF-IDF稀疏分支进行融合排序，在验证集和测试集上取得了领先性能。

Diagnosing LLM Arbitration Behavior over Pre-evidence Epistemic States in RAG-based Fact-Checking

诊断基于RAG的事实核查中LLM对证据前认知状态的仲裁行为

Yuxi Sun, Wenbo Shang, Wei Gao, Xin Huang, Jing Ma

机构 * Hong Kong Baptist University（香港 Baptist 大学） ； Singapore Management University（新加坡 Management 大学） 纠错

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

AI总结 提出PAVE测试平台，通过将LLM验证器分为四种认知状态，评估其在检索增强生成事实核查中仲裁参数知识与检索证据的能力，发现不可靠且高度依赖模型的仲裁行为，并提出轻量级JSD测试时仲裁方法。

Comments Accepted to ACL-2026 Findings (voluntarily withdraw)

MCERF: Advancing Multimodal LLM Evaluation of Engineering Documentation with Enhanced Retrieval

MCERF：通过增强检索推进工程文档的多模态大语言模型评估

Kiarash Naghavi Khanghah, Hoang Anh Nguyen, Anna C. Doris, Amir Mohammad Vahedi, Daniele Grandi, Faez Ahmed, Hongyi Xu

机构 * School of Mechanical, Aerospace, and Manufacturing Engineering, University of Connecticut, Storrs, CT 06269（机械、航空航天与制造工程学院，康涅狄格大学，斯托尔斯，CT 06269） ； Department of Mechanical Engineering, Massachusetts Institute of Technology, Cambridge, MA 02139, USA（机械工程系，麻省理工学院，剑桥，MA 02139，美国） 纠错

专题命中 RAG评测 ：RAG(abstract,abstract_cn)；retrieval augmented generation(abstract)；retriever(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 提出MCERF框架，结合多模态检索器ColPali与大语言模型推理，通过混合查找、视觉文本融合、高推理和自一致性决策等策略，在DesignQA基准上实现平均准确率相对提升41.1%，无需完整规则书摄入即可处理工程文档中的多模态问答。

Automated Root-Cause Subclassification and No-Code Fix Generation for Invalid Bug Reports

自动化无效bug报告的根因子类划分及无代码修复生成

Mahmut Furkan Gon, Emre Dinc, Tevfik Emre Sungur, Eray Tuzun

机构 * Department of Computer Engineering, Bilkent University（计算机工程系，比尔肯特大学） 纠错

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

AI总结 本研究旨在引入一个标准化的根因导向的无效bug报告子类划分体系，并通过实验测试不同方法在无效子类划分和无代码修复生成中的准确性。研究还分析了不同配置在我们创建的黄金标准基准上的表现。

Comments Submitted to IEEE Transactions on Software Engineering (TSE) and currently under review