RAG / 检索增强生成

RAG-TESTER: Automated End-to-End Testing of Retrieval-Augmented Large Language Models

RAG-TESTER：检索增强型大语言模型的自动化端到端测试工具

Ange Maiztegi, Jon Ayerdi, Miren Illarramendi, Aitor Arrieta

机构 * Mondragon University（蒙德拉贡大学） 纠错

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

AI总结 RagTester是针对RAG系统的自动化端到端测试方法，通过生成测试用例、利用LLM评估结果，在24种配置中20种优于基线，可有效检测RAG的交互故障并支持部署评估。

From Cloud to Crowd: Democratizing LLM Service with Decentralized Edge Collaboration for RAG

从云端到人群：通过去中心化边缘协作实现面向检索增强生成（RAG）的大语言模型服务民主化

Jiaxing Li, Hengzhi Wang, Feng Wang, Chi Xu, Danyang Song, Ruixiao Zhang, Edith C. H. Ngai, Jiangchuan Liu

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

AI总结 该研究提出DEFRAG系统，通过异构边缘设备的去中心化协作优化RAG的检索与生成，缩小SLM与LLM的准确率差距，大幅降低成本并提升吞吐量，助力边缘LLM服务民主化。

Comments 15 pages

Real-Time Hybrid Retrieval in Hyperbolic Space for Retrieval-Augmented Generation on Edge Devices

面向边缘设备检索增强生成的双曲空间实时混合检索

Aradhya Chakrabarti

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

AI总结 该研究提出一种基于洛伦兹模型双曲空间的混合文档检索系统，通过HyTE-H变换投影词嵌入，结合BM25与洛伦兹相似度评分，在BEIR基准数据集上取得良好效果，可在边缘设备实现RAG实时检索。

Select-And-Extract: A Lightweight Plugin for Retrieval-Augmented Generation

Select-And-Extract：一种用于检索增强生成的轻量级插件

Chenming Tang, Jiawei Han

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

AI总结 该研究针对RAG的检索与阅读两类失效模式，提出轻量级插件SANE，通过语义检索+LM选候选、蓝图引导证据提取实现稳定性能提升，且开销适度。

Comments Pre-print

A Triple-Robustness Analysis of Retrieval-Augmented Generation for Multi-Hop Requirements Traceability

检索增强生成在多跳需求可追溯性中的三重鲁棒性分析

Meftun Akarsu, Burak Özdemir, Doğancan Büyükçolak, Recep Kaan Karaman

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

AI总结 本文针对多跳需求可追溯性，开展三重鲁棒性分析，对比不同RAG架构、嵌入器等的表现，发现现有结论分歧的原因，提出需按该鲁棒性标准验证RAG架构主张。

Comments 6 pages, 3 figures, 4 tables

Effective and Efficient Context Retrieval via Partial Dependency Graph for Repository-Level Code Generation

基于部分依赖图的高效上下文检索用于仓库级代码生成

Zhongxin Liu, Zhonghao Jiang, Zhifan Ye, Haoye Wang, Jiakun Liu, Xiaoxue Ren

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

AI总结 该研究针对仓库级代码生成中RAG方法的不足，提出基于部分依赖图的DyRetriever，构建DyCoder并在CoderEval、DevEval上取得显著性能提升且效率更高。

Comments Accepted by ASE 2026

CTRAG: An In-Context Retrieval-based Framework for Automated Compliance Checking using LLMs

CTRAG：一种基于上下文检索的大语言模型自动化合规检查框架

Muhammad Roman, Karen Rafferty, Barry Devereux

机构 * Bristol Research and Innovation Laboratory (BRIL)（布里斯托尔研究与创新实验室（BRIL）） ； Toshiba Europe Ltd.（东芝欧洲有限公司） ； Queen’s University Belfast（贝尔法斯特女王大学） 纠错

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

AI总结 本文提出基于RAG的CTRAG框架，通过自适应分块、动态检索配置等策略实现自动化合规检查，在四大会计师事务所POC中F1达78%、召回85%，可减少手动工作量并提升监管信任。

Comments 10 pages, 5 figures, 8 tables

Disentangled Contrastive Learning for Zero-Shot Multilingual Dense Retrieval

用于零样本多语言密集检索的解耦对比学习

Chao Huang, Yufeng Chen, Changhao Guan, Guang Yang, Dongze Chen, Kaiyu Huang

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

AI总结 本文针对低资源语言检索数据稀缺问题，提出解耦对比学习方法，将多语言表示分离为语义与语言子空间，在mMARCO、MIRACL上的零样本多语言密集检索性能优于多个强基线。

Comments 14 pages, 4 figures

PrefixPlace: Provable Prefix Key-Value Placement for Large Language Model Serving under Heterogeneous Compute and Transfer Costs

PrefixPlace：异构计算与传输成本下大语言模型服务的可证明前缀键值放置方案

Zhiyu Wang, Rajkumar Buyya

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

AI总结 针对异构计算与传输成本下LLM前缀KV放置的次优问题，提出PrefixPlace规划器，其性能接近最优且效率高，可提升RAG等场景的成本节省效果。

Optimization and Constraint Modeling using LLMs with a Retrieval Augmented Generation Process

结合检索增强生成流程的大语言模型优化与约束建模

Prateek Roy, Akash Singirikonda

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

AI总结 本文提出结合检索增强生成的大语言模型优化建模方法，通过合成数据集与检索指导提升Qwen 3 30B Instruct的优化建模准确率，为低成本部署LLM优化工具提供可行方案。

Comments 20 pages, 3 figures

RING: Retrieval-Internalized Generation for Continual Large-Scale Knowledge Injection

RING：用于持续大规模知识注入的检索内化生成

Shicheng Xu, Liang Pang, Liyi Chen, Zihao Wei, Jingcheng Deng, Yan Gao, Yi Wu, Yao Hu, Huawei Shen, Xueqi Cheng

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, CAS（中国科学院计算技术研究所人工智能安全国家重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Xiaohongshu Inc.（小红书科技有限公司） 纠错

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

AI总结 RING是一种将检索内化的范式，通过三阶段训练学习参数化记忆的检索策略，在自主构建的News-2025基准上，其知识注入的准确性与效率优于或匹配现有方法。

Comments 16 pages

Do Static Embeddings Add Value to Hybrid Dutch Retrieval?

静态嵌入是否为混合荷兰语检索增加价值？

António Pereira Barata

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

AI总结 本研究针对荷兰语检索任务开展受控评估，发现静态嵌入无法为混合检索增加价值，双检索器的词汇-Transformer架构是可靠默认方案。

AiFlow: Token-Native Reactive Orchestration with Bounded Backpressure for Streaming LLM Applications

AiFlow：面向流式大语言模型应用的带界背压令牌原生反应式编排框架

Qunhui Zhang

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

AI总结 针对现有流式LLM工作流编排的背压等管理缺陷，提出AiFlow令牌原生反应式编排模型，经实验验证可降低应用TTFPT并控制队列深度。

Comments 24 pages, 5 figures, 12 tables, 1 algorithm, and 1 code listing. Public implementation: https://github.com/ModelEngine-Group/fit-framework

CeQe: Grounding Lexical Retrieval in Semantic Evidence

CeQe：在语义证据中实现词汇检索

Adam Kahirov, Umesh Deshpande, Swaminathan Sundararaman

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

AI总结 针对BM25的语义词汇鸿沟问题，本文提出CE-QE方法，利用交叉编码器的语义检索结果扩展BM25查询，在多个BEIR数据集上显著提升检索性能且不修改底层索引。

Evidence-Unit Fairness and the Limits of Query-Adaptive Sparse-Dense Fusion in Financial Document Retrieval

金融文档检索中的证据单元公平性与查询自适应稀疏-密集融合的局限性

Chenyu Wu, You Lin

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

AI总结 针对金融文档检索问题，在修正语料库后发现简单融合BM25与紧凑密集编码器为强基线，而三种轻量自适应查询加权路由均未取得统计可靠提升。

VaRS-Doc: Interpretation-Aware Variant Representations via Latent Self-Probing for Visual Document Retrieval

VaRS-Doc：面向视觉文档检索的、通过潜在自探测实现的、具备解释感知能力的变体表示方法

Haocheng Wang, Tongkun Guan, Wei Shen, Xiaokang Yang

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

AI总结 本文针对视觉文档检索中固定文档表示难以适配不同查询意图的问题，提出VaRS-Doc框架，通过两阶段训练实现变体表示，在基准测试中达到最先进性能，解决了查询与文档编码的不匹配问题。

RaG-Tree: Combining R-Tree and HNSW for Multi-Attribute Range Filtered Approximate Nearest Neighbor Search

RaG-Tree：结合R树与HNSW的多属性范围过滤近似最近邻搜索

Jiawei Liu, Xiang Zhang, Chao Zhang, Ju Fan, Xiaoyong Du

专题命中 向量检索 ：RAG(title,title_cn)；分类 cs.DB

AI总结 本文提出RaG-Tree，一种结合R树与感知划分HNSW图的统一MR-ANNS索引，通过分层R树剪枝、适配局部分布的HNSW图及自适应搜索算法，在三个真实数据集上实现更优查询性能与轻量级索引、快速增量更新。

Comments 13 pages

A Unified Benchmark for Privacy-preserving Vector Search

面向隐私保护的向量搜索统一基准

Anne-Marie Kermarrec, Rafael Pires, Mathis Randl, Martijn de Vos

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

AI总结 本文构建隐私保护向量搜索统一基准，在相同条件下对比SAP、EMVP等方案性能，明确各方案隐私与性能权衡关系，为从业者提供部署选择依据。

TEngineDB-V: An OLAP-Native Vector Search System for Large-$k$ Workloads at Tencent

TEngineDB-V：腾讯面向大k workloads的原生OLAP向量搜索系统

Xufei Wu, Pengcheng Zhang, Yitong Song, Xiaobo Zhang, Anqi Liang, Kai Wang, Jijun Du, Yidi Xiong, Guangxu Cheng, Zhe Chen, Peng Chen, Guoliang Li, Xuanhe Zhou, Fan Wu

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

AI总结 本文提出TEngineDB-V，一款腾讯的原生OLAP向量搜索系统，通过全局分块解耦索引等技术解决大k向量搜索问题，实验显示其性能较竞品最高提升145倍，适配百亿级生产部署。

KoVRE: Training an Efficient Embedding Model for Korean Visual Document Retrieval

KoVRE：用于韩文视觉文档检索的高效嵌入模型训练

Yongbin Choi, Gyuho Shim, Youngjoon Jang

机构 * Kyung Hee University（庆熙大学） ； Korea University（高丽大学） 纠错

专题命中 向量检索 ：retriever(abstract)；分类 cs.AI

AI总结 该研究针对现有视觉文档检索模型以英语为中心的局限，提出韩文视觉文档单向量检索模型KoVRE，采用708729对双语查询-页面对训练，2B参数模型在基准测试中表现优于同类模型。

DocNavRAG: Document-Structured Graph RAG with Stateful Evidence Construction for Complex Document Question Answering

DocNavRAG：面向复杂文档问答的、具有状态化证据构建能力的文档结构化图RAG

Dongyang Xie, Yao Tian, Hao Zhang, Yifei Yuan, Tieyun Qian, Ming Zhong, Jiawei Jiang, Yuanyuan Zhu

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Chinese University of Hong Kong（香港中文大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 本文提出DocNavRAG，将文档结构组织为可导航图并维护证据状态，在四个文档QA基准上，相比最强基线平均提升答案质量7.8%、上下文充分性17.7%。

Comments 19 pages, 5 figures, 16 tables

RAGOCR: Optical Compression of Retrieval-Augmented Text via Visual Representation

RAGOCR：基于视觉表征的检索增强文本光学压缩

Jiayang Yu, Jialun Zhong, Lei Zou

机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所） 纠错

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

AI总结 该研究针对RAG压缩的权衡问题，提出RAGOCR框架，通过查询感知动态分辨率机制压缩检索文档为视觉表征，在五个QA基准上实现比朴素RAG更高准确率和更低token需求，且优于各类压缩基线。

Comments Under reviewing

Verification Without Sufficiency: Per-Chunk Filtering Fails on Multi-Hop RAG, and Decomposition Repairs It

无充分性的验证：逐块过滤在多跳检索增强生成（RAG）中失效，分解可修复该问题

Randhir Kumar

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

AI总结 该研究发现逐块过滤在多跳RAG中失效，经七项控制实验排除其他因素后，提出将验证条件改为分解后的子问题，可显著提升多跳RAG的性能，Qwen2.5-7B分解器已能捕获部分性能提升空间。

Comments 9 pages, 5 figures, 8 tables, 1 algorithm. Code, per-question traces and analysis scripts: https://github.com/iamhero2709/verification-without-sufficiency

RH-RAG: Trustworthy Long-Form Generation for Privacy-Constrained Settings

RH-RAG：适用于隐私受限场景的可信长文本生成

Raj Shekhar Singh

机构 * Indian Institute of Technology, Roorkee（鲁尔基印度理工学院） 纠错

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

AI总结 该研究针对隐私受限场景下的长文本生成难题，提出基于本地语言模型的多智能体框架RH-RAG，通过三阶段协同生成与双层检索索引提升生成质量，且兼顾数据隐私。

Comments accepted in KDD 2026 SeT-LLM Workshop

MEGRAG: Multi-Granular Evidence Graphs for Answer-Aware Multi-Hop RAG

MEGRAG：面向答案感知多跳检索增强生成的多粒度证据图

Weidong Bao, Yingying Sun, Jun Yang, Yilin Wang, Zili Wei, Yubin Bao, Fangling Leng, Minghe Yu, Tiancheng Zhang, Ge Yu

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

AI总结 本文提出MEGRAG框架，将多跳推理转化为路径结构的多粒度证据图，通过跨粒度索引关联多粒度证据，按需选择证据并迭代判断查询是否解决，在多跳问答任务上较各类RAG基准取得持续性能提升。

Comments 9 pages, 6 figures, 3 tables

AutoFOAM: The Self-Refining Autonomous OpenFOAM Agent

AutoFOAM：自优化自主OpenFOAM智能体

Arun Govind Neelan, A Seshaditya

机构 * SimuNetics ； Onnes Cryogenics ； Quasi AI 纠错

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

AI总结 AutoFOAM是基于Qwen-coder 2.5-14B微调的自主LLM智能体，通过7阶段迭代循环及三种抗退化机制，可基于自然语言指令完成OpenFOAM模拟，助力CFD工作流程普及与快速原型开发。

Structured Memory for Edge Language Models: Persistent Context and Corpus Retrieval via O(1) SSM State Injection

边缘语言模型的结构化记忆：通过O(1) SSM状态注入实现持久上下文与语料库检索

Anusha Madan Gopal, Aras Pirbadian, Kristofor D. Carlson, M Anthony Lewis, Jonathan Tapson

机构 * BrainChip Inc.（BrainChip公司） 纠错

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

AI总结 该研究针对边缘语言模型提出PRECOG与SMC机制，将SSM预填充成本压缩至O(1)，在1.2B参数的TENNs-LLM上实现约4500倍预填充加速，达到与RAG相当的答案质量。

X-KGRank: A Knowledge Graph RAG Framework for Explainable Recommendations via Pattern Mining and LLM Re-Ranking

X-KGRank：一种基于知识图谱检索增强的推荐框架，通过模式挖掘与大语言模型重排序实现可解释推荐

Meenakshi Rajpurohit, Jainish Patel

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

AI总结 X-KGRank是一种知识图谱检索增强推荐框架，结合协同过滤与LLM解释，在MovieLens-1M数据集上提升了推荐指标，且小参数LLM可实现相当的解释质量但更易产生事实错误。

Copyright Is the Headline; Capability Is the Blind Spot: AI Technology in the Book-Publishing Trade Press, November 2025--August 2026

版权是头条，能力是盲区：2025年11月—2026年8月图书出版行业媒体中的人工智能技术

Fred Zimmerman

专题命中 图谱与结构化RAG ：RAG(abstract,abstract_cn)

AI总结 本研究通过分析多国行业媒体的89篇文章，指出图书出版领域AI报道存在能力盲区，提出设立常设AI报道板块等改进建议。

Comments 7 pages, 2 figures. 15-page Supplemental Information, coded 89-item corpus, crosstabs, BibTeX database, and citation audit included as ancillary files

UEmbed: Unified Sparse and Dense Multimodal Embeddings

UEmbed：统一稀疏与稠密多模态嵌入

Tingyu Song, Mingxin Li, Yanzhao Zhang, Dingkun Long, Pengjun Xie, Zhijie Nie, Yilun Zhao, Shu Wu

机构 * CASIA（中国科学院自动化研究所） ； Alibaba Group（阿里巴巴集团） ； University of Chinese Academy of Sciences（中国科学院大学） ； Yale University（耶鲁大学） 纠错

专题命中 多模态RAG ：retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 UEmbed是一种仅解码器的多模态嵌入模型，可单次前向传播生成稀疏与稠密表示，在MMEB-v2和BEIR上表现优异，统一了两类嵌入并支持多模态智能体应用。