RAG / 检索增强生成

From Conflict to Consensus: Boosting Medical Reasoning via Multi-Round Agentic RAG

从冲突到共识：通过多轮代理RAG提升医疗推理

Wenhao Wu, Zhentao Tang, Yafu Li, Shixiong Kai, Mingxuan Yuan, Zhenhong Sun, Chunlin Chen, Zhi Wang

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

AI总结 本文提出MA-RAG框架，通过多轮代理循环迭代优化外部证据和内部推理历史，提升医疗复杂推理能力，实验显示在7个医疗问答基准上表现优于现有方法。

Comments 27 pages, 8 figures, 18 tables

Evaluating RAG Reliability under Clean, Misleading, and Mixed Retrieval

评估RAG在干净、误导和混合检索下的可靠性

Sevgi Yigit-Sert

机构 * Ankara University（安卡拉大学） 纠错

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

AI总结 提出评估协议，通过参数覆盖和置信度指标，系统测试RAG系统在干净、有毒和混合证据下处理参数知识与检索证据冲突的鲁棒性。

Harmonia: End-to-End RAG Serving Optimization

Harmonia: 端到端RAG服务优化

Saurabh Agarwal, Bodun Hu, Luis Pabon, Myungjin Lee, Jayanth Srinivasa, Aditya Akella

机构 * UT Austin（德克萨斯大学奥斯汀分校） ； Cisco Research（思科研究） ； Cisco Systems（思科系统） 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Harmonia框架，通过灵活管道接口、异构感知部署和闭环运行时控制器，优化RAG服务，吞吐量提升2.04倍以上，SLO违规减少78.4%。

ConflictRAG: Detecting and Resolving Knowledge Conflicts in Retrieval Augmented Generation

ConflictRAG: 检测和解决检索增强生成中的知识冲突

Chenyu Wang, Yueyuan Li, Yingmin Liu, Yang Shu

机构 * Zhejiang University（浙江大学） 纠错

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

AI总结 本研究提出ConflictRAG框架，通过两阶段冲突检测模块、熵-TOPSIS框架和冲突感知RAG评分，有效检测和解决检索增强生成中的知识冲突，实验表明其在冲突检测F1和正确性方面优于现有方法。

Comments 6 pages, 6 figures, submitted to IEEE SMC 2026

Securing Retrieval-Augmented Generation: A Taxonomy of Attacks, Defenses, and Future Directions

保障检索增强生成：攻击、防御与未来方向的分类法

Yuming Xu, Mingtao Zhang, Zhuohan Ge, Haoyang Li, Nicole Hu, Yongqi Zhang, Zhiyuan Wen, Jason Chen Zhang, Qing Li, Lei Chen

机构 * The Hong Kong Polytechnic University（香港理工大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） 纠错

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 本文提出SLOT分类法，从攻击面、防御层、目标（遵循CIA属性）和攻击目标四个维度系统化梳理检索增强生成（RAG）的安全风险与防御，并指出知识访问管道中的结构性错配，最后展望未来方向。

Comments We have curated a paper list on RAG security in https://github.com/TreeAI-Lab/Awesome-RAG-Security, and we warmly welcome authors who wish to have their new work included to contact us via email

Beyond Probabilistic Similarity: Structural, Temporal, and Causal Limitations of Retrieval-Augmented Generation in the Legal Domain

超越概率相似性：检索增强生成在法律领域的结构性、时间性和因果性局限

Hudson de Martim

机构 * Federal Senate of Brazil（巴西联邦参议院） 纠错

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 本文指出法律AI中RAG的失败源于概率检索与法律知识层次、时间及制度结构的架构不匹配，提出三种病理（部分盲、历时盲、因果不透明）并推导出确定性设计的四项架构承诺。

Crop Recommendation and Agricultural Query Answering System Using Spatio-Temporal Graph Neural Networks and Hybrid Retrieval Augmentation

基于时空图神经网络与混合检索增强的作物推荐及农业问答系统

Prajwal Thapa, Yagya Raj Pandeya

机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） 纠错

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

AI总结 提出融合时空图神经网络（STGCN）与检索增强生成（RAG）的精准农业系统，实现30天天气预报、作物推荐及农业问答，在尼泊尔1359个地点数据上STGCN预测MSE达0.011。

Comments 11 pages, 8 figures

Retrieval Augmented Generation Framework for the Nepali Legal Domain Question Answering

面向尼泊尔法律领域问答的检索增强生成框架

Samir Wagle, Abiral Adhikari, Reewaj Khanal, Batsal Bhandari, Prashant Manandhar, Praveen Acharya, Bal Krishna Bal

机构 * Dublin City University（都柏林城市大学） 纠错

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

AI总结 提出首个基于检索增强生成的尼泊尔法律问答模型，利用BM25和E5模型检索案例法，实现91%的top-1精度和74%的生成答案可信度。

TICoder: A Repository-Level Code Generation Framework with Test-Driven Planning and Implementation-Aware Reuse

TICoder: 一种具有测试驱动规划和实现感知复用的仓库级代码生成框架

Siyu Nan, Yaling Luo, Jian Wang, Neng Zhang, Bing Li

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

AI总结 提出TICoder框架，通过测试驱动迭代规划机制和实现感知代码复用策略，解决仓库级代码生成中的依赖和上下文限制问题，在多个基准上平均提升11.52%。

Comments 11 pages

SparseX: Efficient Segment-Level KV Cache Sharing for Interleaved LLM Serving

SparseX: 面向交错式LLM服务的高效段级KV缓存共享

Quqing Zhang, Kai Chen, Ning Liao, Zehao Lin, Bo Tang, Feiyu Xiong, Zhiyu Li, Xiaoxing Wang

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

AI总结 针对长上下文LLM服务中非前缀重复内容导致的缓存效率低问题，提出SparseX，一种基于稀疏Q索引的段级KV缓存共享方法，通过单次前向传播中的稀疏KV重计算恢复跨段上下文交互，实现无额外模型或预处理的缓存复用。

Comments Corrected author metadata only; no changes to the paper content

RECON: Reasoning with Condensation for Efficient Retrieval-Augmented Generation

RECON：基于压缩的推理用于高效检索增强生成

Zhichao Xu, Minheng Wang, Yawei Wang, Wenqian Ye, Yuntao Du, Yunpu Ma, Yijun Tian

机构 * University of Utah（犹他大学） ； University of Washington（华盛顿大学） ； George Washington University（乔治·华盛顿大学） ； University of Virginia（弗吉尼亚大学） ； Shandong University（山东大学） ； Ludwig Maximilian University of Munich（慕尼黑路德维希-马克西米利安大学） ； University of Notre Dame（诺特丹大学） 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RECON框架，在强化学习搜索代理的多轮推理中插入观察压缩器，通过两阶段课程训练实现上下文压缩，提升训练和推理效率并增强问答性能。

Comments Techinical report

TrustMargin: Training-Free Arbitration between Parametric Memory and Retrieved Evidence in Large Language Models

TrustMargin: 大语言模型中参数化记忆与检索证据之间的无训练仲裁

Jingyan Xu, Hong Shi, Yi Shan, Penghui Liu, Yunhao Bai, Ningyuan Li, Xueyang Liu

机构 * Peking University（北京大学） 纠错

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

AI总结 针对大语言模型在知识问答中参数记忆与检索证据冲突的问题，提出无训练仲裁层TrustMargin，利用模型自身似然度评分选择更可信的答案，无需微调或外部评判。

Comments 13 pages, 6 figures, 9 tables. Code and data are available at https://github.com/mojixu/TrustMargin.git

Explainable AML Triage with LLMs: Evidence Retrieval and Counterfactual Checks

可解释的AML优先级排序与LLMs：证据检索与反事实检查

Dorothy Torres, Wei Cheng, Ke Hu

机构 * School of Science, Technology, Engineering and Mathematics（科学、技术、工程与数学学院） ； School of Electrical Engineering and Computer Science（电气工程与计算机科学学院） 纠错

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

AI总结 本文提出一种可解释的AML优先级排序框架，结合证据增强的证据捆绑、结构化LLM输出合同和反事实验证，提升审计性和鲁棒性，实验证明其在优先级排序和证据支持方面表现优异。

AbstRAG: Learning to Abstract for Retrieval Problems

AbstRAG：面向检索问题的抽象学习

Lei Xu, Xin Quan, Daniel Pedronette, André Freitas

机构 * Idiap Research Institute（Idiap 研究所） ； École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院 (EPFL)） ； São Paulo State University（圣保罗州立大学） ； University of Manchester（曼彻斯特大学） ； CRUK National Biomarker Centre（英国癌症研究中心国家生物标志物中心） 纠错

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

AI总结 针对查询与文档证据间的抽象鸿沟问题，提出AbstRAG方法，通过将抽象作为显式检索对象，并采用反思性精炼机制，在三个基准上提升了检索和生成性能。

MM-Matryoshka: Towards Budget-Elastic Visual Document Retrieval via a 2D Multimodal Matryoshka Training Framework

MM-Matryoshka：通过二维多模态套娃训练框架实现预算弹性视觉文档检索

Haowen Xiang, Yibo Yan, Jiahao Huo, Yu Huang, Yi Cao, Mingdong Ou, Xuming Hu

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Alibaba Cloud Computing（阿里云计算） ； Hong Kong University of Science and Technology（香港科技大学） 纠错

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

AI总结 提出MM-Matryoshka，一种二维套娃训练框架，使视觉文档检索器在向量维度和编码器深度上实现弹性预算选择，无需为不同预算训练独立模型。

Semantic Motion Anchors: Bridging Motion and Meaning in Co-Speech Gestures

语义运动锚点：连接共语手势中的运动与意义

Varsha Suresh, Mohammad Mahdi Abootorabi, Mohamed Salman, M. Hamza Mughal, Christian Theobalt, Ashwin Ram, Jürgen Steimle, Vera Demberg

机构 * Saarland University（萨尔兰大学） ； MPI for Informatics（信息研究所） ； Saarland Informatics Campus（萨尔兰信息校园） ； University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； Zuse School（祖斯学校） 纠错

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

AI总结 提出语义运动锚点方法，通过将3D手势离散化为身体-手部运动基元并转化为结构化描述，在文本与运动之间建立辅助对比监督，显著提升共语手势检索的语义相关性。

Cropping outperforms dropout as an augmentation strategy for self-supervised training of text embeddings

裁剪优于dropout作为自监督训练文本嵌入的增强策略

Rita González-Márquez, Philipp Berens, Dmitry Kobak

机构 * Hertie Institute for AI in Brain Health（人工智能与脑健康赫尔蒂研究所） ； University of Tübingen（图宾根大学） ； University of Tübingen, Germany（德国图宾根大学） 纠错

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

AI总结 本文研究了自监督微调中裁剪和dropout两种增强策略，发现裁剪在文本嵌入质量上表现更优，尤其在领域内数据中能快速生成高质量嵌入。

Journal ref Transactions on Machine Learning Research (TMLR) 2026

When Hard Negatives Hurt: Bridging the Generative-Discriminative Gap in Hard Negative Synthesis for Retrieval

当硬负例有害时：弥合检索中硬负例生成的生成-判别鸿沟

Zhicheng Zhang, Jiwei Tang, Kuicai Dong, Xiaopeng Li, Jieming Zhu, Jingyu Li, Qianhui Zhu, Fengyuan Lu, Wang Jiaheng, Gang Wang, Hai-Tao Zheng, Zhaocheng Du

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； City University of Hong Kong（香港城市大学） ； School of Cyber Science and Technology, Sun Yat-sen University（中山大学信息科学与技术学院） ； School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） 纠错

专题命中 检索器与排序 ：retriever(abstract)

AI总结 针对检索中硬负例生成存在的生成-判别鸿沟问题，提出CausalNeg方法，通过CoT引导的反事实扰动和查询视角熵最大化来提升检索性能。

Comments Accepted at KDD 2026