RAG / 检索增强生成

HistoRAG: Embedding Historical Methodology in Retrieval-Augmented Generation Through Critical Technical Practice

HistoRAG：通过批判性技术实践将历史方法论嵌入检索增强生成

Noah J. Kim-Baumann, Torsten Hiltmann

机构 * Humboldt-Universität zu Berlin（柏林洪堡大学） 纠错

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

AI总结 针对历史学等解释性学科，提出HistoRAG框架，通过分离检索与生成、时间窗口化、LLM作为评判者等架构干预，将历史编纂原则转化为RAG设计，解决标准RAG中的时间偏差、相关性评估等问题。

Comments 25 pages, 6 figures. Companion preprint to a Journal of Digital History notebook article (under review)

Visual Retrieval-Augmented Generation for Silhouette-Guided Animal Art

视觉检索增强生成：基于轮廓引导的动物艺术创作

Quoc-Duy Tran, Anh-Tuan Vo, Trung-Nghia Le

机构 * University of Science, VNU-HCM（胡志明市国立大学理科大学） ； Vietnam National University, Ho Chi Minh（胡志明市国立大学） 纠错

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

AI总结 提出视觉检索增强生成（Visual-RAG）框架，通过检索与自然轮廓结构相似的动物形状，结合ControlNet和IP-Adapter引导扩散模型生成动物艺术，实现计算空想性视错觉。

Comments SOICT 2025

RSRank: Learning Relevance from Representational Shifts

RSRank: 从表示偏移中学习相关性

Archit Gupta, Sai Sundaresan, Debabrata Mahapatra

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

AI总结 针对RAG系统中重排序依赖启发式阈值和语言模型logit信号的问题，提出基于表示偏移（RS）的相关性信号，通过轻量级训练框架学习映射，在零阈值下过滤无关内容，超越现有重排序器。

Comments Under Peer Review

CMIP-Forge: An Agentic System that Retrieves, Computes, and Self-Reviews Climate Science

CMIP-Forge：一个检索、计算和自我审查气候科学的智能体系统

Dmitrii Pantiukhin, Boris Shapkin, Ivan Kuznetsov, Thomas Jung, Nikolay Koldunov

机构 * Alfred Wegener Institute, Helmholtz Centre for Polar and Marine Research（阿尔弗雷德·韦格ener研究所，极地与海洋研究中心） 纠错

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

AI总结 提出CMIP-Forge系统，结合检索增强生成与自主分析，通过多层级防御架构和独立审查机制，实现从文献到实时气候数据的端到端自主研究。

Comments 28 pages, 9 figures. Code available at https://github.com/CliDyn/cmip6_gpt

CIAN: Multi-Stage Framework for Event-Enriched Image Captioning via Retrieval-Augmented Generation

CIAN：基于检索增强生成的事件丰富图像描述的多阶段框架

Trinh Thi Thu Hien, Trung-Nghia Le

机构 * University of Science, Ho Chi Minh City（胡志明市理科大学） ； Vietnam National University, Ho Chi Minh City（越南国家大学胡志明市分校） 纠错

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

AI总结 提出多阶段框架CIAN，通过检索相关文章并利用LoRA微调Qwen模型生成叙事，结合N-Gram精炼，在OpenEvents-V1上提升CIDEr从0.030到0.094，实现事件丰富的图像描述。

Comments SOICT 2025

Non-negative Elastic Net Decoding for Information Retrieval

非负弹性网络解码用于信息检索

Koki Okajima, Yasutoshi Ida, Tsukasa Yoshida, Yasuaki Nakamura

机构 * NTT, Inc（NTT公司） 纠错

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

AI总结 提出非负弹性网络（NNN）解码方法，将检索视为联合解码问题，通过稀疏非负线性组合重构查询嵌入，在理论上严格优于稠密检索，实验表明在多个基准上取得一致改进。

Comments 19 pages, 4 figures

Temporal Preference Optimization for Unsupervised Retrieval

面向无监督检索的时间偏好优化

HyunJin Kim, Jaejun Shim, Young Jin Kim, JinYeong Bak

机构 * Microsoft, Redmond, USA（微软公司，美国红mond） ； Sungkyunkwan University, Suwon, South Korea（成均馆大学，韩国首尔） 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TPOUR方法，通过时间检索偏好优化（TRPO）和可学习时间嵌入插值，使无监督稠密检索器能捕捉时间相关性，在时间信息检索任务上超越有监督和无监督基线。

Comments Accepted to ICML 2026

IsabeLLM: Automated Theorem Proving Applied to Formally Verifying Consensus

IsabeLLM: 自动化定理证明应用于共识的形式化验证

Elliot Jones, William Knottenbelt

机构 * Imperial College London（伦敦帝国学院） 纠错

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

AI总结 本文改进IsabeLLM自动化定理证明工具，通过检索增强生成、错误追踪和反例生成提升大语言模型上下文，并兼容最新Isabelle和Sledgehammer，用于验证比特币工作量证明共识。

Compositional Skill Routing for LLM Agents: Decompose, Retrieve, and Compose

面向LLM智能体的组合技能路由：分解、检索与组合

Xueping Gao

机构 * Alibaba Cloud（阿里云） 纠错

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

AI总结 提出SkillWeaver框架，通过迭代技能感知分解（SAD）将复杂查询分解为原子子任务，检索对应技能并组合为可执行计划，在CompSkillBench上验证了分解质量是主要瓶颈，SAD将分解准确率提升32.7%。

PreAct: Computer-Using Agents that Get Faster on Repeated Tasks

PreAct：在重复任务上加速的计算机使用代理

Bojie Li

机构 * Pine AI 纠错

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

AI总结 提出PreAct方法，通过将首次成功执行编译为状态机程序，在后续任务中直接重放，避免逐步骤调用语言模型，实现8.5-13倍加速，并确保重放时屏幕状态匹配。

Can LLMs Be CEOs? Benchmarking Strategic Resource Reallocation with Multi-Role Agent Simulation

LLM 能当 CEO 吗？基于多角色智能体模拟的战略资源重新配置基准测试

Yuyang Dai, Xueqing Peng, Lingfei Qian, Zhuohan Xie

机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Yale University（耶鲁大学） 纠错

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

AI总结 提出 CEO-Bench，一个多智能体基准，评估 LLM 在约束丰富的组织环境中进行多轮战略资源重新配置的能力，发现模型在结构有效性上表现良好，但在战略校准上存在系统性失败模式。

Comments 13 pages

When Rules Learn: A Self-Evolving Agent for Legal Case Retrieval

当规则学习时：一种用于法律案例检索的自演化智能体

Mingxu Tao, Jiawei Hu, Xian Zhou, Wenpeng Hu, Jiajun Cheng, Yunbo Cao, Zhunchen Luo, Guotong Geng

机构 * Center of Information Research, AMS（AMS信息研究中心） ； Discipline and Technology Research Center for Large Model Intelligence Applications（大模型智能应用学科与技术研究中心） ； Hebei University of Engineering（河北工程大学） 纠错

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

AI总结 提出一种自演化框架，通过LLM智能体自动生成并优化查询重写规则，无需参数训练即可增强BM25在法律案例检索中的性能。

Comments To appear in ACL 2026

Cluster-Aware Dual-Level Test Specification Generation for Large-Scale Automotive Software Requirements

面向大规模汽车软件需求的集群感知双层测试规格生成

Hazem Ayman, Menna Sedik, Kareem Mostafa, Mahmoud Soliman, Samer Saber, Ibrahim Habib

机构 * CairoMotive Cairo, Egypt（开罗动力埃及） 纠错

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

AI总结 提出一种“先聚类后总结”流水线，通过嵌入、降维、聚类、多级摘要和双层测试生成，解决大规模需求下LLM处理依赖缺失和上下文窗口限制问题，提升集成测试覆盖率并高效扩展。

Pareto Optimal Re-ranking with Semi-Automated Content Credibility Detection

基于半自动化内容可信度检测的帕累托最优重排序

Yigit Ege Bayiz, Arash Amini, Ufuk Topcu

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

AI总结 提出一种双目标优化方法，通过最小化斯皮尔曼脚距保持原始排序，同时最大化内容可信度，并设计半自动化管道结合检索增强与人工核查分配可信度分数，在X平台数据上实现帕累托最优前沿偏差不超过7%。

Comments Submitted to CDC 2026

Mind Companion: An Embodied Conversational Agent for Process-Based Psychotherapy

Mind Companion: 一种用于基于过程心理治疗的具身对话代理

Sofie Kamber, Lukas Diebold, Pascal Riachi, Stella Brogna, Andrew Gloster, Rafael Wampfler

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

AI总结 提出Mind Companion，一种基于大语言模型的具身对话代理，通过多层级心理分析与过程治疗原则，实时分析客户陈述并生成回应，评估显示GPT-5.2在多个维度上优于人类治疗师。

Journal ref 2026 IEEE 14th International Conference on Healthcare Informatics (ICHI), Minneapolis, MN, June 1-3, 2026, pp. 980-989

RAVA: Retrieval-Augmented Viewpoint Alignment for Subject-Driven Image Generation

RAVA: 检索增强的视角对齐用于主题驱动图像生成

Qiwei Yan, Zhiqiang Yuan, Chongyang Li, Jiapei Zhang, Ying Deng, Jinchao Zhang, Jie Zhou

机构 * WeChat AI, Tencent Inc.（腾讯微信人工智能实验室） 纠错

专题命中 检索器与排序 ：retriever(abstract)

AI总结 提出RAVA框架，通过检索增强提供几何证据，解决跨主体视角对齐中的视角漂移和结构不匹配问题，在保持身份的同时实现可靠视角控制。

LogCopilot: Automating Log Aggregation Analysis through Large Language Models

LogCopilot: 通过大型语言模型自动化日志聚合分析

Senyu Xie, Chenxi Zhang, Tong Zhou, Jiacheng Liu, Xiaoyu Hong, Qingshan Li, Xin Peng

专题命中 检索器与排序 ：knowledge retrieval(abstract)

AI总结 提出LogCopilot框架，利用大型语言模型，通过自然语言指令、知识检索和工具调用自动生成LogQL查询，实现日志聚合分析，平均准确率76.8%。

MLLP-VRAIN UPV system for the IWSLT 2026 Simultaneous Speech Translation task

MLLP-VRAIN UPV 系统在 IWSLT 2026 同声传译任务中的应用

Jorge Iranzo-Sánchez, Gerard Mas-Mollà, Adrià Giménez, Jorge Civera, Albert Sanchis, Alfons Juan

机构 * MLLP-VRAIN research group（MLLP-VRAIN研究组） ； VRAIN ； Universitat Politècnica de València（瓦伦西亚理工大学） 纠错

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

AI总结 提出基于Parakeet和Qwen 3.5模型的级联同声传译系统，通过自适应黑盒策略优化质量-延迟权衡，并引入ASR词增强和RAG机制处理上下文跟踪，在MCIF En→De测试集上实现XCOMET-XL提升+5.82。

Comments IWSLT 2026 System Description

Brick-DICL: Dynamic In-Context Learning for Automated Brick Schema Classification

Brick-DICL：用于自动化Brick模式分类的动态上下文学习

Yiyue Qian, Shinan Zhang, Huan Song, Negin Sokhandan, Hannah Marlowe, Diego Socolinsky

机构 * Amazon AWS Generative AI Innovation Center（亚马逊AWS生成式AI创新中心） 纠错

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

AI总结 提出Brick-DICL两阶段动态上下文学习框架，通过元数据检索和类别检索增强大语言模型领域知识，结合多模型过滤机制，实现楼宇管理系统点位的自动化Brick分类，显著提升准确率并减少人工验证。

A Unified Framework for Context-Aware and Relation-Aware Graph Retrieval-Augmented Generation

上下文感知与关系感知的图检索增强生成统一框架

Haoyang Zhong, Yifei Sun, Antong Zhang, Chunping Wang, Lei Chen, Yang Yang

机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； Finvolution Group（信也科技集团） 纠错

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

AI总结 提出HyGRAG分层图RAG框架，通过构建融合上下文与关系的摘要、跨层级检索及动态更新，将多跳推理准确率提升9.7%。

Comments Accepted at The ACM Web Conference 2026 (WWW '26)

DecoSearch: Complexity-Aware Routing and Plan-Level Repair for Text-to-SQL

DecoSearch: 面向Text-to-SQL的复杂度感知路由与计划级修复

Esteban Schafir, Xu Zheng, Hojat Allah Salehi, Zhuomin Chen, Mo Sha, Wei Cheng, Dongsheng Luo

机构 * Florida International University（佛罗里达国际大学） ； NEC-Labs（NEC实验室） ； Singapore Management University（新加坡管理大学） 纠错

专题命中 图谱与结构化RAG ：RAG(abstract,abstract_cn)；分类 cs.AI

AI总结 提出DecoSearch框架，通过复杂度感知路由将查询分配给直接生成或DAG分解，并结合拓扑精炼器修复执行失败，在BIRD和Spider上取得高准确率且显著降低token消耗。

FlowRAG: Synergizing Explicit Reasoning via Frequency-Aware Multi-Granularity Graph Flow

FlowRAG: 通过频率感知的多粒度图流协同显式推理

Bihao Zhan, Zongsheng Cao, Jie Zhou, Bo Zhang, Liang He

机构 * East China Normal University（华东师范大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

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

AI总结 提出FlowRAG框架，构建四层异构图，通过双粒度激活和频率感知加权流模块，增强语义召回和显式推理路径提取，在复杂推理基准上取得最优性能。

VL-MemKnG: Hybrid Memory with a Spatio-Temporal Knowledge Graph for Question Answering over Long Egocentric Navigation Trajectories

VL-MemKnG：结合时空知识图谱的混合记忆用于长程自我中心导航轨迹问答

Svetlana Lukina, Mohamad Al Mdfaa, Gloria Haro, Sergey Zagoruyko, Gonzalo Ferrer

机构 * Mobile Robotics Laboratory, Artificial Intelligence Center（移动机器人实验室，人工智能中心） ； Skoltech（斯科尔科沃科学技术学院） ； Intelligent Multimodal Vision Analysis Group, Department of Engineering, Universitat Pompeu Fabra（智能多模态视觉分析组，工程系，庞培法布拉大学） ； Independent Researcher（独立研究员） 纠错

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

AI总结 提出VL-MemKnG混合记忆框架，结合时空知识图谱与片段级上下文记忆，通过混合检索推理模块提升长程自我中心视频导航问答的准确性和效率。

MODE-RAG: Manifold Outlier Diagnosis and Energy-based Retrieval-Augmented Generation Evaluation

MODE-RAG: 基于流形异常诊断和能量的检索增强生成评估

Zehang Wei, Jiaxin Dai, Jiamin Yan, Xiang Xiang

机构 * School of Computer Science & Tech, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院） ； School of AI and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院） 纠错

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

AI总结 提出MODE-RAG多智能体系统，利用变分自由能和内部注意力状态动态门控干预，结合蒙特卡洛树搜索和logit扰动减少多模态检索增强生成中的幻觉和逻辑捏造。

Comments To be presented at ACL 2026