RAG / 检索增强生成

IteraSim RAG: A Multi-Stage Retrieval-Augmented Agentic Back-End for OpenFOAM-Based Computational Fluid Dynamics

IteraSim RAG：基于OpenFOAM的计算流体动力学的多阶段检索增强智能后端

Pratyush Kumar

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

AI总结 研究针对OpenFOAM配置CFD案例的难题，提出IteraSim RAG。通过LLM扩展查询、多种融合与重排策略及多智能体分工协作，结合规范知识层。在28个案例基准测试中表现良好，能完成配置、诊断修复问题，还公布相关内容以保障可重复性。

Comments 40 pages, 7 figures, 5 tables. Submitted to Computer Physics Communications

VizRAG: Enhancing Retrieval-Augmented Generation with Hypergraph Visualization

VizRAG：通过超图可视化增强检索增强生成

Yanbin Wei, Yang Chen, Renling Gan, Ziru Liu, Xinyu Fu, Chun Kang, Ning Lu, Rui Liu, Yu Zhang, James Kwok

机构 * Southern University of Science and Technology（南方科技大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Huawei Research（华为研究院） ； Beihang University（北京航空航天大学） 纠错

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

AI总结 研究旨在增强检索增强生成，核心方法是通过视觉线索将超图感知整合到RAG系统中，引入VizRAG支持视觉超图结构感知，实验证明该方法显著优于基线，验证了超图可视化用于RAG系统的潜力。

RIM: A Retrieval-In-Matching Framework for Cross-Domain Global Visual Localization of UAVs

RIM：无人机跨域全局视觉定位的检索匹配框架

Xin Li, Siyuan Duan, Shang Wang, Zhimin Mao, Bingliang Hu, Geng Zhang

机构 * University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 检索器与排序 ：retriever(abstract)

AI总结 研究无人机跨域全局视觉定位问题，提出检索匹配框架RIM，通过采样参考视图、两阶段微调SALAD及冻结检索器蒸馏解码器等方法，在多数据集零样本评估中表现出色，建立了高效可部署的定位管道。

Comments 56 pages, 10 figures, and 18 tables. Supplementary material is included

Overview of FinMMEval 2026 Task 2: Multilingual Financial Short-Answer Question Answering

FinMMEval 2026任务2概述：多语言金融简答题问答

Zhuohan Xie, Xueqing Peng, Georgi Georgiev, Dimitar Dimitrov, Yuyang Dai, Rania Elbadry, Vanshikaa Jani, Lingfei Qian, Fan Zhang, Jimin Huang, Jiahui Geng, Yankai Chen, Ye Yuan, Haolun Wu, Yuxia Wang, Ivan Koychev, Veselin Stoyanov, Mingzi Song, Yu Chen, Xue Liu, Preslav Nakov

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； The Fin AI（金融人工智能公司） ； FMI, Sofia University “St. Kliment Ohridski”（索非亚大学“圣克莱门特·奥赫里德斯基”金融数学与信息学系） ； INSAIT, Sofia University “St. Kliment Ohridski”（索非亚大学“圣克莱门特·奥赫里德斯基”信息技术与自动化研究所） ； University of Arizona（亚利桑那大学） ； The University of Tokyo（东京大学） ； Linköping University（林雪平大学） ； McGill University（麦吉尔大学） ； Mila, Quebec AI Institute（魁北克人工智能研究所） ； Meiji Gakuin University（明治学院大学） 纠错

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

AI总结 FinMMEval 2026任务2聚焦多语言金融简答题问答，通过特定配对和格式让系统答题，最终测试集含256个项目分两层级，依ROUGE-1 F1排名，最强系统差距小，还记录了多种相关策略。

Comments 9 pages. Task overview paper for CLEF 2026 Working Notes (CEUR Workshop Proceedings)

GraphContainer: A Unified Platform for Comparing and Debugging Graph RAG Methods

GraphContainer：用于比较和调试图RAG方法的统一平台

Seonho An, Chaejeong Hyun, Min-Soo Kim

机构 * KAIST（韩国科学技术院） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；分类 cs.IR、cs.AI

AI总结 研究针对图RAG方法分散不兼容问题，提出GraphContainer平台，通过统一图表示层和图记录器两个关键组件，实现多格式图统一与检索过程可视化，助力可控比较不同图格式及检索策略，降低设计最优图RAG管道的难度。

Comments VLDB 2026 demo accepted

HyGRL: Adaptive Hybrid Graph Reasoning for Multi-Entity Questions

HyGRL：用于多实体问题的自适应混合图推理

Junyi Wang

机构 * Beijing Institute of Technology（北京理工大学） 纠错

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

AI总结 针对多实体组合问题，传统方法有局限。本文提出HyGRL框架，将文本嵌入知识图谱创建异构网络，通过模仿学习和强化学习进行自适应结构归纳推理，实验证明其在答案准确性、推理保真度等方面表现出色，成本低且推理快。

Comments 8 pages

Profile-Graph Memory for LLM Agents: Implicit Cross-Entity Traversal through Narrative Profiles

用于大语言模型智能体的概要图内存：通过叙事概要进行隐式跨实体遍历

Shengtong Zhu

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

AI总结 研究针对大语言模型智能体长期记忆中多跳关联未被充分测量的问题，提出了MemHop基准和ProGraph两层内存架构，通过概要扩展与压缩残差实现跨实体遍历，提升了多跳推理及精确召回能力，在多个基准测试中表现优异并开源相关实现。

Comments 11 pages, 2 figures, 7 tables. Code and MemHop benchmark: https://github.com/ShengtongZhu/ProGraph