RAG / 检索增强生成

BM25 Wins at Scale: A Scaling Study of Retrieval-Augmented Generation Paradigms

哪种RAG范式在规模化场景下表现最优？检索增强生成范式的规模化研究

Pengyu Wang, Benfeng Xu, Shaohan Wang, Mingxuan Du, Xin Zeng, Huarui Wu, Lei Zhang, Licheng Zhang

机构 * University of Science and Technology of China（中国科学技术大学） ； Metastone Technology（Metastone科技） ； Information Technology Research Center, Beijing Academy of Agriculture and Forestry Sciences（北京农林科学院信息技术研究中心） 纠错

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

AI总结 本文通过28个嵌套语料层级的受控研究，对比四类RAG范式的规模化表现，发现BM25综合性能最优，Agent+BM25全规模准确率达69.4，图基RAG存在构建瓶颈。

GoldenRetriever: Non-Interactive Homomorphic Encrypted Retrieval for Privacy-Preserving RAG

GoldenRetriever：用于隐私保护RAG的非交互式同态加密检索

Yang Gao, Gang Quan, Scott Piersall, Qian Lou, Dongdong Wang, Liqiang 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

AI总结 针对现有隐私保护RAG检索方案延迟高、易泄露的问题，提出基于阈值选择的非交互式同态加密检索框架，通过CKKS同态计算与掩码极化方法实现高效安全的检索，性能优于排名式加密方法。

Comments 10 pages

Reproducing LightMem: Naive RAG Is Just as Good for Memory Management

复现LightMem：朴素检索增强生成（Naive RAG）在记忆管理上效果相当

Yongjie Zhou, Shuai Wang, Bevan Koopman, Guido Zuccon

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

AI总结 本研究复现轻量记忆管理方法LightMem，对比发现其效果取决于检索器和令牌预算，直接从原始用户回合检索的Naive RAG在匹配深度时表现更优，LightMem仅在严格令牌预算下占优，并非通用更好的记忆管理方案。

Comments Code: https://github.com/ielab/Reproducing-LightMem

Bridging the Question-Answer Gap in Retrieval-Augmented Generation: Hypothetical Prompt Embeddings

弥合检索增强生成中的问答差距：假设提示嵌入

Domen Vake, Jernej Vičič, Aleksandar Tošić

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 该研究提出假设提示嵌入（HyPE）框架，将假设内容生成移至索引阶段，提升RAG的检索对齐度与效率，在六个数据集上实现检索精度和召回率的显著提升且兼容多种RAG技术

Comments 10 pages, 8 figures, 5 tables. Published in IEEE Access

Journal ref IEEE Access, vol. 13, pp. 129952-129961, 2025

When Safety Becomes a Vulnerability: Exploiting LLM Alignment Homogeneity for Transferable Blocking in RAG

当安全成为漏洞：利用LLM对齐同质性进行可转移阻塞在RAG中

Junchen Li, Liang Xu, Qizhi Chen, Rongzheng Wang, Chao Qi, Shihao He, Di Liang, Haibo Shi, Shuang Liang

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

AI总结 TabooRAG通过利用LLM对齐同质性，在黑盒环境下实现跨模型的可转移阻塞攻击，针对安全对齐机制提出新型攻击框架。

Comments Expanded the scale of the experimental evaluation

TFGformer: Multivariate Time Series Forecasting via Time-Frequency Graph Learning and Covariate Fusion

TFGformer：基于时频图学习与协变量融合的多变量时间序列预测

Yu Sun, Yuan Chang, Xiaohou Shi, Yan Sun

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 针对异构IoT传感器多变量时间序列预测问题，提出CrossRAG框架，结合SAM、FCC学习与CATF，在7个基准上性能优于仅参数化基线及现有检索增强预测方法。

OPERA: Online Data Pruning for Efficient Retrieval Model Adaptation

OPERA：面向高效检索模型适应的在线数据剪枝

Haoyang Fang, Shuai Zhang, Yifei Ma, Hengyi Wang, Cuixiong Hu, Katrin Kirchhoff, Bernie Wang, George Karypis

机构 * Amazon Web Services（亚马逊云服务） 纠错

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

AI总结 OPERA通过在线数据剪枝提升检索模型适应效果，SP在标准微调基础上提升NDCG，DP在多个领域数据集上取得最佳排名和召回效果，且训练时间减少50%。

Comments Code is released at: https://github.com/autogluon/autogluon-rag/tree/main/projects/opera

ELISA: An Interpretable Hybrid Generative AI Agent for Expression-Grounded Discovery in Single-Cell Genomics

ELISA：一种可解释的混合生成式AI代理，用于单细胞组学中的表达基础发现

Omar Coser

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

AI总结 ELISA结合表达嵌入、语义检索和LLM解释，提供交互式单细胞发现，优于CellWhisperer，尤其在基因签名查询中表现突出。

QASP: Query-Adaptive Robust Vector Search Policy

QASP：查询自适应鲁棒向量搜索策略

Hakan Ferhatosmanoglu, Kushal Kumar, Tal Wagner, Andy Warfield

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

AI总结 该研究针对向量搜索中固定参数导致的召回率方差及计算成本问题，提出QASP策略，通过前期回归预测召回曲线推导搜索策略，在99%召回率下减少80%数据访问，性能优异且可跨场景泛化。

Comments 12 pages, 6 figures, 6 tables, preprint

MERIT: Efficient In-Place Deletion for Dynamic Graph-Based Approximate Nearest Neighbor Indexes

MERIT：基于动态图的近似最近邻索引的高效原位删除方法

Zekai Wu, Jiabao Jin, Peng Cheng, Wangze Ni, Haoyang Li, Lei Chen, Junjie Yao, Jingkuan Song, Heng Tao Shen

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

AI总结 本文针对动态图近似最近邻索引的原位删除难题，提出MERIT框架，通过三项核心技术实现高效删除，集成于两种主流索引，实验显示其删除速度远优于SOTA方法且召回率稳定。

Comments 14 pages

CMT-RAG: Complementary Memory Traces for Multi-turn Multi-hop RAG

CMT-RAG：面向多轮多跳检索增强生成（RAG）的互补记忆轨迹

Lang Zhou, Yingjian Chen, Shuxuan Li, Kun-Yu Lin, Zhilin Zhao

专题命中 知识库问答 ：RAG(title,title_cn)；分类 cs.IR、cs.CL

AI总结 该研究针对现有RAG系统难以恢复多轮对话中先前推理与证据的问题，提出CMT-RAG框架，引入MuMu-QA基准，实验显示其在答案准确性上优于五类RAG基线。

When Iterative RAG Beats Ideal Evidence: A Diagnostic Study in Scientific Multi-hop Question Answering

当迭代RAG优于理想证据：科学多跳问答中的诊断研究

Mahdi Astaraki, Mohammad Arshi Saloot, Ali Shiraee Kasmaee, Hamidreza Mahyar, Soheila Samiee

机构 * Faculty of Engineering, McMaster University, Canada（麦斯特大学工程学院，加拿大） ； BASF Canada Inc., Canada（巴斯夫加拿大公司，加拿大） 纠错

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

AI总结 通过化学多跳问答数据集，诊断发现迭代检索-推理循环在科学领域显著优于静态RAG上限，揭示了阶段式检索的优势与失败模式。

Comments 51 pages, 29 figures, Published in Transactions on Machine Learning Research (05/2026). OpenReview: https://openreview.net/forum?id=pa5TnBdyDP

Journal ref Transactions on Machine Learning Research (05/2026), ISSN 2835-8856

Vision Meets Language: A RAG-Augmented YOLOv8 Framework for Coffee Disease Diagnosis and Farmer Assistance

Semanto Mondal

机构 * University of Naples Federico II（那不勒斯费德里科二世大学） 纠错

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

Comments There are 14 pages, 8 figures

Evidence-Grounded Constraint Checking in Construction Documents

建筑文档中基于证据的约束检查

Rashid Mushkani, Hugo Berard, Shin Koseki

专题命中 多模态RAG ：RAG(abstract,abstract_cn)；分类 cs.AI

AI总结 该研究针对建筑文档审查的约束检查问题，提出基于证据的流程，通过实验发现调整图像预算分配可提升项目家族决策准确性，同时揭示分辨率广度权衡，为证据路由和专家审查提供依据。

Comments 11 pages, 3 figures, 4 tables

A Multi-Agent System for Motor Design Optimization via an FEA-AI Hybrid Approach

基于FEA-AI混合方法的IPMSM设计优化多智能体系统

Jinseong Han, Sunwoong Yang, Namwoo Kang

机构 * Cho Chun Shik Graduate School of Mobility, KAIST（KAIST Cho Chun Shik 移动研究生院） ； Department of Mechanical Engineering, Hanyang University（汉阳大学机械工程系） ； Narnia Labs 纠错

专题命中 RAG评测 ：RAG(summary_cn,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 提出一种端到端自动化IPMSM设计优化框架，通过RAG结构化问题定义与不确定性感知的FEA-AI混合优化流水线，平衡计算成本与预测可靠性，在同等FEA预算下优于纯FEA或纯AI方法。

Comments 37 pages, 31 figures