RAG / 检索增强生成

Candidate-Constrained Retrieval-Augmented Generation for LongEval-RAG: System Design and Empirical Analysis

用于LongEval-RAG的候选约束检索增强生成：系统设计与实证分析

Yingdong Yang, Haijian Wu

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

AI总结 介绍用于LongEval-RAG的候选约束检索增强生成系统，结合多种方法，经评估得出最强平衡变体rule-minilm，表明主要增益来自稳定规则证据单元与句子级神经选择结合，强调多指标评估需求。

Comments Published in CEUR Workshop Proceedings 2026

Knowing When Not to Answer: Lightweight KB-Aligned OOD Detection for Safe RAG

知道何时不回答：用于安全检索增强生成的轻量级知识库对齐的域外检测

Ilias Triantafyllopoulos, Renyi Qu, Salvatore Giorgi, Brenda Curtis, Lyle H. Ungar, João Sedoc

机构 * New York University（纽约大学） ； National Institute on Drug Abuse（国家成瘾医学研究所） ； University of Pennsylvania（宾夕法尼亚大学） ； Microsoft（微软公司） 纠错

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

AI总结 研究用于检索增强生成（RAG）系统的轻量级、知识库对齐的域外检测，通过PCA处理知识库嵌入，用方差保留或t检验排序选择子空间评分查询，评估规则和分类器，发现低维检测器性能好且更优。

Next-Gen Sponsored Search: Crafting the Perfect Query with Inventory-Aware RAG (InvAwr-RAG) Based GenAI

下一代赞助搜索：基于库存感知检索增强生成式人工智能（InvAwr-RAG）打造完美查询

Md Omar Faruk Rokon, Weizhi Du, Zhaodong Wang, Musen Wen

机构 * Walmart AdTech（沃尔玛广告科技） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；分类 cs.IR、cs.AI

AI总结 研究电商赞助搜索中为给定查询识别相关关键词的挑战，引入基于库存感知检索增强生成式人工智能模型，结合多种查询提升相关性和用户参与度，初步结果显示填充率等显著提升。

Comments Published in eCom@SIGIR 2024

SentAttack: A Sentence-Level Black-Box Adversarial Attack Method for Dense Retrieval Models

SentAttack：一种用于密集检索模型的句子级黑盒对抗攻击方法

Luping Wei, Yamin Hu, Sihan Shang, Shiyin Wang, Wenjian Luo

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

AI总结 针对密集检索模型对抗攻击问题，提出SentAttack句子级黑盒攻击方法。先通过与黑盒系统交互收集训练代理模型数据，再用代理模型聚类相关文档生成对抗候选句，经优化提升攻击效果。

Improving Access to Historical Archives with Real-time RAG-based Systems

利用基于实时检索增强生成（RAG）的系统改善对历史档案的访问

Stergios Konstantinidis, Hayman Lotfy, Alexis Erne, Faruk Zahiragic, Min-Yen Kan, Michalis Vlachos

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

AI总结 研究针对数字化历史档案访问难题，提出集成大语言模型的端到端框架，含OCR优化模块和语义检索重排管道，实验表明能减少OCR错误并提升检索效果，使档案系统更具交互性和语义可搜索性。

Detecting Hallucinations in Retrieval-Augmented Generation through Grounding-Aware Sensitivity by Perturbation (GASP)

通过扰动的基于接地感知敏感性检测检索增强生成中的幻觉（GASP）

Mohamed Aly Bouke

机构 * Centre for Intelligent Cloud Computing, CoE for Advanced Cloud, Faculty of Information Science and Technology, Multimedia University（智能云计算中心、高级云研究中心、信息科学与技术学院、多媒体大学） 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 研究检索增强生成中幻觉检测问题，提出GASP方法，通过固定答案重新打分，衡量对数似然下降和Jensen-Shannon散度，评估显示其在RAGTruth上效果显著，信号能转移到TofuEval。

Comments 23 pages, 9 figures, 15 tables

Diagnosing and Mitigating Compounding Failures in Agentic Persuasion via Taxonomic Strategy Retrieval

诊断与缓解智能体说服中的复合失败：基于分类策略检索

Sana Ayromlou, Purvi Sehgal, Pradyumna Narayana

机构 * Google（谷歌） 纠错

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

AI总结 针对智能体在主观任务中因语义泄露导致的复合错误，提出分类策略RAG（TS-RAG），通过离散类别瓶颈解耦论证结构与主题内容，显著提升抽象逻辑迁移能力，并在非对称部署中增强轻量级说服者性能。

RAG System for Supporting Japanese Litigation Procedures: Faithful Response Generation Complying with Legal Norms

基于RAG的日本诉讼程序支持系统：符合法律规范的忠实响应生成

Yuya Ishihara, Atsushi Keyaki, Hiroaki Yamada, Ryutaro Ohara, Mihoko Sumida

机构 * Hitotsubashi University, Japan（早稻田大学，日本） ； Institute of Science Tokyo, Japan（东京科学研究所，日本） ； Nakamura, Tsunoda & Matsumoto, Japan（日本纳卡拉、藤田与松本事务所） 纠错

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

AI总结 本文设计了一种基于RAG的LLM系统，用于支持日本医疗诉讼程序，确保响应符合法律规范，通过检索模块检索相关外部知识并保持响应的忠实性。

Comments This is a preprint version of a paper reviewed and accepted at BREV-RAG 2025: Beyond Relevance-based EValuation of RAG Systems, a SIGIR-AP 2025 workshop

Journal ref Proceedings of the International Workshop on Beyond Relevance-based EValuation of RAG Systems (BREV-RAG) 2025 (pp. 59-65)

MAM-AI: An On-Device Medical Retrieval-Augmented Generation System for Nurses and Midwives in Zanzibar

MAM-AI：面向桑给巴尔护士和助产士的设备端医疗检索增强生成系统

Yi Ren

机构 * École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑分校） 纠错

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

AI总结 针对撒哈拉以南非洲地区护士助产士难以获取权威指南的问题，提出完全运行于安卓设备上的医疗问答系统MAM-AI，采用300M嵌入模型检索87份指南文档，并用4B int4生成器离线生成带引用的回答，评估发现小生成器在安全性和有用性间存在权衡，通过优化提示词降低回避率。

Comments 38 pages. Video demo: https://www.youtube.com/watch?v=M_Kruluel28 ; browser demo, code, models, and benchmarks linked in the paper

Risk-Constrained Freshness-Aware Semantic Caching for Open-Web Retrieval-Augmented LLMs

面向开放网络检索增强语言模型的风险约束新鲜度感知语义缓存

Muhammad Mansoor, Tahir Ahmad, Yeo-Chan Yoon

机构 * Jeju National University（济州国立大学） 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 研究针对开放网络证据时变新鲜度，提出三层语义缓存FreshCache，将缓存重用视为风险约束时间推理问题，给出评估方法并引入基准测试，实验表明其在节省搜索API及降低陈旧错误率方面效果良好。

ContextNest: Verifiable Context Governance for Autonomous AI Agent

ContextNest：自主AI智能体的可验证上下文治理

Misha Sulpovar, Benn R. Konsynski, Qaish Kanchwala, Gabe Goodhart

机构 * PromptOwl, LLC（PromptOwl公司） ； Goizueta Business School, Emory University（埃默里大学戈伊苏埃塔商学院） ； IBM Research（IBM研究院） 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ContextNest，一种在检索前提供上下文治理的开放规范，通过版本链、哈希校验和审计追踪确保知识可验证性，实验表明其在防过时攻击和检索确定性上优于传统方法。

Comments 35 pages, 11 tables, 4 figures

mamabench and mamaretrieval: Benchmarks for Evaluating Medical Retrieval-Augmented Generation in Maternal, Neonatal, and Reproductive Health

mamabench 和 mamaretrieval：评估孕产妇、新生儿和生殖健康领域医学检索增强生成的基准

Yi Ren

机构 * École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑校区） 纠错

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

AI总结 针对助产士咨询的孕产妇、新生儿和生殖健康问题，构建了包含25,949个问题的QA基准mamabench和基于3,185个查询的段落级相关性基准mamaretrieval，采用分级相关标注和标签质量审计。

Comments 13 pages, 3 tables. Datasets and construction code linked in the paper

Medi-Gemma: A Hybrid Clinical Decision Support System Integrating Deterministic EMR Analytics and Retrieval-Augmented Generation

Medi-Gemma：一种集成确定性电子病历分析与检索增强生成的混合临床决策支持系统

Mohammed Saim Ahmed Quadri, Yunzhe Xue, Justin W. Ady, Usman Roshan

机构 * New Jersey Institute of Technology（新泽西理工学院） ； Robert Wood Johnson Hospital（罗伯特·伍德·约翰逊医院） 纠错

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

AI总结 介绍用于伤口病理分类和工作流程自动化的临床决策支持系统Medi-Gemma，其采用解耦框架，经多阶段管道处理数据请求，关键贡献是地面真值注入模块，验证表明该架构有诸多优势。

Claim2Source at CheckThat! 2026: Improving Multilingual Scientific Claim-Source Retrieval with Verification-based Re-Ranking

CheckThat! 2026中的Claim2Source：基于验证的重新排序改进多语言科学声明-来源检索

Tobias Schreieder, Harsh Khandelwal, Yu-Ling Zhong, Michael Färber

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

AI总结 针对多语言科学声明-来源检索任务，提出多阶段检索框架，结合结构化表示与渐进候选优化，采用双语声明、元数据增强源表示及语言适配，经多步检索提升性能，在比赛中获佳绩。

Comments Accepted at the CheckThat! Lab at CLEF 2026

HETERQA: Benchmarking Record Retrieval over Multiple Heterogeneous Sources

HETERQA：多异构源记录检索基准测试

Yaodong Su, Hanchang Li, Quanqing Xu, Chuanhui Yang, Yixiang Fang

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

AI总结 研究新兴系统中多异构源记录检索问题，构建含857个问答对的HETERQA基准，采用答案驱动方式，经多步操作生成，验证基准并评估多种检索器，为异构源记录检索提供有效测试平台。

Comments 20 pages, 10 figures

MeVer at CheckThat! 2026: Cluster-Aware Hard-Negative Mining for Multilingual Scientific Source Retrieval

MeVer 在 CheckThat! 2026：面向多语言科学文献检索的聚类感知难负样本挖掘

Juli Bakagianni, Symeon Papadopoulos

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

AI总结 针对社交媒体主张的科学文献来源检索任务，提出聚类感知的难负样本挖掘策略，结合密集检索、重排序和基于LLM的争议解决器，在共享任务中排名第6。

Comments Technical report for CLEF 2026 CheckThat! Task 1 shared task submission. 13 pages, 14 tables

Submitted and Diagnostic Analysis of Full-Text Temporal Retrieval for LongEval-Sci

LongEval-Sci的全文时间检索的提交与诊断分析

Yingdong Yang, Haijian Wu

机构 * CLEF 2026 纠错

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

AI总结 研究LongEval-Sci科学检索，比较多种方法与基线。全文检索是基础，时间整合可提升官方纵向有效性，引用证据待优化。还报告基于摄取速度和陈旧覆盖漂移的定性每周IR系统更新监测分析。

Structured Prompting and Automated Evaluation in Fixed Synthetic Japanese-Language Counseling Dialogues

固定合成日语咨询对话中的结构化提示与自动评估

Keita Kiuchi, Yoshikazu Fujimoto, Hideyuki Goto, Tomonori Hosokawa, Makoto Nishimura, Yosuke Sato, Izumi Sezai, Tomohiro Inoue

机构 * Japan National Institute of Occupational Safety and Health（日本国立职业安全卫生研究所） ； Kaze To Taiyo（凯泽・太阳） ； Saga Occupational Health Association（Saga职业健康协会） ； Department of Pharmacy, Zikei Hospital/Zikei Institute of Psychiatry（药剂科，Zikei医院/Zikei精神医学研究所） ； Department of Medical Welfare, Suzuka University of Medical Science（医疗福祉科， Suzuka医科大学） ； Graduate School of Human Sciences, Ritsumeikan University（人类科学研究生院，立命馆大学） ； Faculty of Nursing, National Defense Medical College（护理学部，国家防卫医疗大学） ； Support Center for Students with Disabilities, Aoyama Gakuin University（残疾学生支持中心，上智大学） 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 研究通过人工智能生成的18份固定日语咨询对话记录，对比GPT - minimal、GPT - SMDP和Claude - SMDP三种情况，咨询专家与新的语言模型分别评级，发现SMDP对话在多方面获更高专家评级，语言模型评级可重复但偏宽松。

Comments 59 pages, 2 figures, 30 tables; supplemental material included; data and code at https://doi.org/10.5281/zenodo.21182321; preregistration at https://doi.org/10.17605/OSF.IO/VU286

MetaSkill-Evolve: Recursive Self-Improvement of LLM Agents via Two-Timescale Meta-Skill Evolution

MetaSkill-Evolve：基于双时间尺度元技能演化的大语言模型智能体递归自改进方法

Zefeng Wang, Minxi Yan, Jinhe Bi, Sikuan Yan, Volker Tresp, Yunpu Ma

机构 * LMU Munich（慕尼黑大学） ； The Chinese University of Hong Kong（香港中文大学） ； MCML ； MemAgents Lab（MemAgents实验室） 纠错

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

AI总结 针对现有自改进智能体演化非递归的局限，提出双时间尺度框架，任务技能与元技能分层递归演化，在三类基准上显著提升测试精度。

A Retrieval-Augmented Framework for Detecting and Resolving Pragmatic Ambiguities in Natural Language Requirements

一种用于检测和解决自然语言需求中语用歧义的检索增强框架

Pavithra PM Nair, Preethu Rose Anish

机构 * Tata Consultancy Services（塔塔咨询公司） 纠错

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

AI总结 研究自然语言需求中的语用歧义，利用检索增强技术和不同领域知识库模拟不同专业利益相关者，生成候选消歧需求并验证，评估该方法在需求文档上的效果。

AGL-1: The Enterprise AI Governance Layer as a Control Plane for Trusted Enterprise Intelligence

AGL-1：作为可信企业智能控制平面的企业人工智能治理层

Roopam W. Sure

机构 * Independent Researcher（独立研究员） 纠错

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

AI总结 研究企业人工智能从实验走向运营面临的治理挑战，介绍AGL-1企业人工智能治理层这一参考模型，基于相关原则将治理问题从检索控制扩展到全执行路径治理，定义七个治理领域。

Comments 16 pages, 1 figure; independent technical report

Reinforcement Learning for Evidence-Seeking Diagnostic Reasoning with Large Language Models

基于强化学习的大语言模型证据寻求诊断推理

Shengyi Hua, Kangzhe Hu, Conghui He, Xiaofan Zhang, Shaoting Zhang

机构 * Qing Yuan Research Institute, Shanghai Jiao Tong University（上海交通大学清源研究院） ； Shanghai Innovation Institute（上海创新院） ； Shanghai AI Laboratoty（上海人工智能实验室） 纠错

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

AI总结 将医学诊断形式化为迭代证据寻求任务，利用带可验证奖励的强化学习，引入基于检索增强生成的检查模拟器，使大语言模型从被动响应转变为自主助手。

Hawk: Harnessing Hardware-Aware Knowledge for High-Performance NPU Kernel Generation

Hawk：利用硬件感知知识生成高性能NPU内核

Junyi Wen, Ruiyan Zhuang, Yongjia Xu, Pengtu Li, Rui Zou, Hongyi Chen, Chingman Wan, Puxu Yang, Wuhui Chen, Yanlin Wang

机构 * Sun Yat-sen University（中山大学） ； Greater Bay Area National Technology Innovation Center（粤港澳大湾区国家技术创新中心） ； Peng Cheng Laboratory（鹏城实验室） 纠错

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

AI总结 提出Hawk框架，通过运行时知识合成、瓶颈感知检索和效果驱动蒸馏三个模块，将NPU内核生成准确率从49.4%提升至80.0%，执行速度最高提升2.2倍。

Why teaching resists automation in an AI-inundated era: Human judgment, non-modular work, and the limits of delegation

为何在人工智能泛滥的时代教学抵抗自动化：人类判断、非模块化工作与委托的局限

Songhee Han

机构 * Florida State University（佛罗里达州立大学） 纠错

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

AI总结 本文探讨了在人工智能普及背景下，教学工作难以自动化的原因，指出教学本质上具有解释性、关联性和专业判断，无法被完全自动化或委托给技术。

Comments Revised version; accepted for publication in TechTrends

Exploiting Structural Properties for Efficient Constraint-Aware HNSW Hyperparameter Tuning

利用结构特性进行高效的约束感知HNSW超参数调优

Geon Choi, Hoeun Lee, Jaeyoung Do

专题命中 向量检索 ：retrieval-augmented generation(abstract)；RAG(abstract)；vector search(abstract)；分类 cs.DB

AI总结 从系统角度研究HNSW超参数调优，发现其配置空间有结构规律，提出CHAT框架，利用特定结构进行确定性、高效搜索，在多数据集和引擎上表现出色，优于基线。

Comments This paper has been accepted to ACM SIGMOD 2027

Panorama: Fast-Track Nearest Neighbors

全景图：快速跟踪最近邻

Vansh Ramani, Alexis Schlomer, Akash Nayar, Sayan Ranu, Jignesh M. Patel, Panagiotis Karras

机构 * Carnegie Mellon University（卡内基梅隆大学） ； IIT Delhi（德里印度理工学院） ； UCPH（乌兹堡大学） ； Indian Institute of Technology Delhi（德里印度理工学院） ； University of Copenhagen（哥本哈根大学） 纠错

专题命中 向量检索 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.AI、cs.DB

AI总结 针对高维神经嵌入的近似最近邻搜索，提出PANORAMA技术，利用嵌入固有频谱衰减加速验证，通过PCA压缩信号能量，增量评估候选距离，解决与乘积量化假设冲突问题，在FAISS库中优化，实现加速。

Knowledge Base Poisoning Attacks and Defense for Policy-Aware LLM-RAG Framework

用于战场物联网任务控制的策略感知大语言模型检索增强生成（PA-LLM-RAG）框架的知识库中毒攻击与防御

Om Solanki, Lopamudra Praharaj, Deepti Gupta, Maanak Gupta

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

AI总结 研究针对战场物联网任务控制的PA-LLM-RAG框架的对抗安全。提出查询无关语义检索中毒攻击，能注入规则致大语言模型上下文损坏。还提出CLD-KB防御框架，在检测中毒和知识保存方面性能优异。

Comments 9 pages, 5 figures

Agentic Retrieval-Augmented Generation for Financial Document Question Answering

代理检索增强生成用于财务文档问答

Yang Shu, Yingmin Liu, Zequn Xie

机构 * College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） 纠错

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

AI总结 本文提出FinAgent-RAG框架，通过迭代检索-推理循环和自我验证，提升金融文档问答的精度。引入对比金融检索器、程序化思维模块和自适应策略路由，实验表明在三个基准数据集上均取得显著效果，准确率提升5.62-9.32个百分点。

Comments This paper is withdrawn due to significant methodological errors in the experimental design that fundamentally affect the validity of the results. The errors are not correctable within the current framework, and the conclusions can no longer be supported. We apologize for any inconvenience caused to readers

MIRAGE: Defending Long-Form RAG Against Misinformation Pollution

MIRAGE：抵御长文本检索增强生成中的错误信息污染

Saadeldine Eletter, Ruihong Zeng, Yuxia Wang, Maxim Panov, Aleksandr Rubashevskii, Preslav Nakov

机构 * Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed大学人工智能学院） 纠错

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

AI总结 研究长文本检索增强生成（RAG）中错误信息污染问题，提出无训练、模型无关的MIRAGE防御方法，构建基于自然语言推理的跨文档声明图并应用防御声明门，提升事实性，优于现有方法。

Comments ACL-style preprint. 19 pages, 5 figures, 16 tables

Probe, Don't Prompt: A Hidden-State Probe for Metadata Filtering in Multi-Meta-RAG

探测而非提示：用于多元RAG中元数据过滤的隐藏状态探测器

Mykhailo Poliakov, Nadiya Shvai

机构 * National University of Kyiv-Mohyla Academy（基辅莫希拉学院国家大学） 纠错

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

AI总结 研究改进多跳问答检索，用基于小型开源语言模型隐藏状态训练的确定性探测器取代专有提取器，探测器在准确率上有优势且输出空间固定，介绍了使其工作的设计选择及低成本输出方式。