RAG / 检索增强生成

When More Documents Hurt RAG: Mitigating Vector Search Dilution with Domain-Scoped, Model-Agnostic Retrieval

当更多文档损害RAG：利用领域限定、模型无关的检索缓解向量搜索稀释

Nabaraj Subedi, Ahmed Abdelaty, Shivanand Venkanna Sheshappanavar

机构 * Dept. of Electrical Engineering & Computer Science, University of Wyoming（怀俄明大学电气工程与计算机科学系） ； Dept. of Civil, Architectural Engineering & Construction Management, University of Wyoming（怀俄明大学土木、建筑工程与施工管理系） 纠错

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

AI总结 针对检索增强生成在异构文档集合中因向量搜索稀释导致性能下降的问题，提出基于组织元数据的领域限定方法MASDR-RAG，显著提升P@10至0.86，并揭示多智能体编排的精度-忠实度悖论。

Comments 24 pages, 8 figures, 30 tables. Preprint under review

When Poison Fails After Retrieval: Revisiting Corpus Poisoning under Chunking and Reranking Pipelines

当投毒在检索后失败：重新审视分块与重排序管道下的语料库投毒

Xi Nie, Hongwei Li, Shenghao Wu, Mingxuan Li, Jiachen Li, Wenbo Jiang

机构 * School of Computer Science, Shandong University（山东大学计算机学院） ； School of Information, Shandong University（山东大学信息学院） ； School of Software Engineering, Shandong University（山东大学软件学院） 纠错

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

AI总结 针对RAG系统，提出CRCP框架，通过联合优化检索相关性、重排序一致性和分块边界鲁棒性，解决现有投毒方法在真实多阶段检索管道中因分块和重排序导致效果下降的问题。

uva-irlab-conv at SemEval-2026 Task 8: Multi-Turn RAG with Learned Sparse Retrieval and Listwise Reranking

uva-irlab-conv 在 SemEval-2026 任务 8：基于学习型稀疏检索和列表式重排序的多轮 RAG

Simon Lupart, Kidist Amde Mekonnen, Zahra Abbasiantaeb, Mohammad Aliannejadi

机构 * University of Amsterdam（阿姆斯特丹大学） 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 提出结合学习型稀疏检索与基于 LLM 的重排序和生成的多轮检索增强生成流水线，用于跨四个领域的对话系统，有效处理不可回答查询。

Comments SemEval-2026, The 20th International Workshop on Semantic Evaluation, collocated with ACL 2026, 9 pages, 5 figures, 6 tables

Tail-Aware Adaptive-k: Query-Adaptive Context Selection for Retrieval-Augmented Generation

尾部感知自适应-k：面向检索增强生成的查询自适应上下文选择

Ziyu Song, Jiaming Fang, Kuangyu Li, Tuo Xia, Chuanpeng Wang

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

AI总结 针对固定Top-K检索在查询依赖和重尾相似度分布下的失效问题，提出TAA-k框架，通过局部化极值理论验证策略实现高效、稳定的查询自适应截断，在三个数据集上达到接近最优的检索质量且效率大幅提升。

Comments First two authors contributed equally. Accepted at ECML PKDD 2026

The Structural Attention Tax: How Retrieval Format Hijacks In-Context Learning Independent of Content

结构注意力税：检索格式如何劫持上下文学习而与内容无关

Yuqi Zhang, Di Zhang

机构 * Xi’an Jiaotong-Liverpool University（西交利物浦大学） 纠错

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

AI总结 研究发现知识图谱三元组因其格式结构比自然语言吸引2-3倍注意力，压缩演示注意力达42%，并提出了分解注意力为语义与结构成分的框架及缓解策略。

Comments 10 pages, 5 figures

Great Disappearance Acts Generative Search and Shadow Banning

消失的行为：生成式搜索与影子封禁

Danny Friedmann

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

AI总结 本文研究生成式搜索和影子封禁对互联网开放生态的破坏，分析其法律与监管问题，并提出增强透明度与公平性的解决方案。

Journal ref 27 German Law Journal 1211 - 1234 (2025)

What Limits Does Quantization Place on Dense Top-$k$ Retrieval? A Theoretical Study

量化对密集Top-$k$检索的限制是什么？一项理论研究

Koki Okajima, Tsukasa Yoshida

机构 * NTT, Inc.（日本电报电话株式会社） 纠错

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

AI总结 理论证明在有限精度下，完美Top-$k$检索所需维度随语料库大小对数增长，量化精度存在阈值，影响实际系统设计。

Comments 9 pages, 2 figures

CompRank: Efficient LLM Reranking via Token-Level Compression and Decoding-Free Scoring

CompRank: 通过令牌级压缩和无解码评分实现高效的LLM重排序

Xuan Lu, Haohang Huang, Yingqi Fan, Junlong Tong, Yuxuan Zhang, Ping Nie, Rui Meng, Xiaoyu Shen

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

AI总结 提出CompRank框架，通过令牌级压缩和无解码注意力评分减少冗余计算，在BEIR数据集上仅保留10.2%文档令牌即达到接近全令牌的排序性能，并实现4.9-9.5倍端到端加速。

Efficient Graph Indexing for Interval-Aware Vector Search

面向区间感知向量搜索的高效图索引

Siyuan Liang, Ziqi Yin, Qi Zhang, Ronghua Li, Guoren Wang, Kaiwen Xue, Daiyin Wang, Xubin Li

专题命中 向量检索 ：vector search(title)；分类 cs.DB

AI总结 提出统一区间感知相对邻域图（URNG），支持多种区间感知ANN查询语义，并开发实用图索引UG，通过统一剪枝和迭代修复实现高效搜索。

Comments 14 pages, 13 figures. Preprint version

EverydayGPT: Confidence-Gated Routing for Efficient and Safe Hybrid GPT-RAG Conversational QA

EverydayGPT: 用于高效安全混合GPT-RAG对话问答的置信门控路由

Jaspreet Singh Nahal

机构 * Dr. A.P.J. Abdul Kalam Technical University（阿卜杜尔·卡拉姆技术大学） 纠错

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

AI总结 提出置信门控路由机制，通过联合策略决定检索与生成路径，使85%的查询使用快速RAG提取，延迟降低120倍以上，同时保持答案质量。

Comments 12 pages, 10 figures, 6 tables. Code and evaluation scripts available at: https://github.com/merciless-admiral-3083/EverydayGPT. This paper studies routing strategies for hybrid GPT-RAG systems under resource constraints, focusing on efficiency-safety tradeoffs rather than state-of-the-art accuracy

An Ontology-Guided Multi-Anchor Graph Retrieval Framework for Traffic Legal Liability Determination

一种本体引导的多锚点图检索框架用于交通事故法律责任判定

Xu Li, Shuqi Tian, Xun Han, Kuncheng Zhao, Xinyi Li

机构 * Southwest Petroleum University（西南石油大学） ； Sichuan Police College（四川警察学院） 纠错

专题命中 知识库问答 ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 提出OMAGR框架，通过本体引导将查询分解为锚点并执行并行图检索，解决多维度检索瓶颈，在TrafficLaw-QA数据集上提升上下文精度和忠实度。

Comments Submitted to ICONIP. 15 pages, 3 figures

A Zero-Shot Multi-Agent Framework for Human-Building Interaction via Programmatic Reasoning

通过程序化推理实现人楼交互的零样本多智能体框架

Yuqi Wang, Gulai Shen, Ali Mehmani

专题命中 长文档RAG ：RAG(abstract,abstract_cn)

AI总结 提出一种分层多智能体框架，利用语义路由和程序化推理解耦自然语言理解与建筑分析，通过“门卫”机制分解任务并生成可执行Python脚本，在200多栋商业建筑数据上验证了准确性和上下文响应能力。

NightFeats @ MMU-RAGent NeurIPS 2025: A Context-Optimized Multi-Agent RAG System for the Text-to-Text Track

NightFeats @ MMU-RAGent NeurIPS 2025: 面向文本到文本轨道的上下文优化多智能体RAG系统

Quentin Fever, Naziha Aslam

机构 * NightFeats 纠错

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

AI总结 提出一种结构化多智能体RAG系统NightFeats，通过检索、策展和组合三阶段分解知识合成，引入时序语义重排序、矛盾协调和引用保留架构，在MMU-RAGent竞赛中超越商业基线。

Comments 5 pages, 1 figure, 1 table. NeurIPS 2025 Competition Track (MMU-RAGent). System developed October 2025

Energy-Efficient On-Device RAG on a Mobile NPU: System Design and Benchmark on Snapdragon X Elite

移动NPU上的能效型设备端RAG：Snapdragon X Elite系统设计与基准测试

Zhiyuan Cheng, Longying Lai

机构 * Qualcomm（高通） ； Snapdragon X Elite（骁龙X Elite） ； Dell XPS 13 laptop（戴尔XPS 13笔记本电脑） ； Qualcomm Hexagon NPU（高通Hexagon NPU） ； Adreno X1-85 纠错

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

AI总结 本文首次在Snapdragon X Elite的Hexagon NPU上实现端到端RAG流水线，通过对比CPU和GPU，NPU在嵌入吞吐量、系统能耗和查询延迟上分别提升9.1倍、降低12.3倍和4.0倍，且答案质量相当。

Comments 9 pages, 2 figures, 6 tables

Substrate Asymmetry in User-Side Memory: A Diagnostic Framework

用户侧记忆中的子模块不对称性：一个诊断框架

Youwang Deng

机构 * EpistemicaLab — Independent Research（EpistemicaLab — 独立研究） 纠错

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

AI总结 提出一个诊断框架，将LLM用户侧记忆分解为行为一致性、事实存在和事实缺失三个正交子模块，发现参数记忆与检索记忆在不同子模块上存在不对称性，且RLHF调优加剧了这种不对称性。

Comments Preprint. Code: https://github.com/EpistemicaLab/substrate-asymmetry-memory