RAG / 检索增强生成

CoAL-RAG: A Complexity-Aware Legal Retrieval-Augmented Generation Method

CoAL-RAG：一种复杂度感知的法律检索增强生成方法

Jin Su, Zhuofeng Zhao, Huanhuan Wang, Hao Chen

机构 * North China University of Technology（北方工业大学） ； Beijing Key Laboratory of Key Technologies for AI+ Domain Applications（北京市AI+领域应用关键技术重点实验室） ； Beijing Key Laboratory on Integration and Analysis of Large-scale Stream Data（大规模流数据集成与分析技术北京市重点实验室） 纠错

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

AI总结 针对法律咨询问题复杂度差异带来的检索策略适配难题，提出CoAL-RAG方法，通过多维评估实现检索策略自适应，在中英文法律基准上均显著优于基线，兼顾生成质量、推理能力与效率。

Towards Safer RAG: Only Agents Capable of System 2 Thinking may Access Untrusted Documents

迈向更安全的检索增强生成（RAG）：仅具备系统2思考能力的智能体可访问不可信文档

Mehrdad Ghassabi

机构 * University of Isfahan（伊斯法罕大学） 纠错

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

AI总结 本研究针对RAG系统的知识投毒漏洞，提出仅具备系统2推理能力的智能体可访问不可信文档的安全原则，通过实证证明该原则能提升模型对被破坏证据的鲁棒性且无需严格隔离。

COMA: A Compositional Misleading Attack Class on Security-RAG, and a Causal Counterfactual Defense

COMA：针对安全检索增强生成（Security-RAG）的组合式误导攻击类别及因果反事实防御

Chinmay Gondhalekar, Urjitkumar Patel

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

AI总结 该研究针对Security-RAG提出COMA组合式误导攻击，含行动破坏与结论翻转两种实现，提出因果反事实防御（ccd）可有效定位并防御该攻击，已发布攻击种子与ccd参考实现。

Comments Accepted at the IEEE Conference on Generative AI for Secure Systems (GAISS) 2026

Preference Is Not Intervention: The Structure and Stability Boundaries of Reader-Specific Evidence Utility

偏好并非干预：特定读者证据效用的结构与稳定性边界

Shi Zhou

机构 * College of Software, Jilin University（吉林大学软件学院） 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 该研究在RAG中测试模型特定差异是否形成可复用结构，发现读者序数偏好几何跨任务稳定但符号几何受任务限制，且稳定偏好无法预测干预迁移，表明特定读者效用存在但偏好≠干预。

Comments 16 pages, 6 figures, 11 tables

VISOR: Agentic Visual Retrieval-Augmented Generation via Iterative Search and Over-horizon Reasoning

VISOR: 通过迭代搜索和超视距推理实现基于视觉检索的增强生成

Yucheng Shen, Jiulong Wu, Jizhou Huang, Dawei Yin, Lingyong Yan, Min Cao

机构 * Soochow University（苏州大学） ； Baidu Inc.（百度公司） 纠错

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

AI总结 VISOR通过结构化证据空间和动态轨迹机制解决多步推理中的视觉证据稀疏和搜索漂移问题，实现高效长视距视觉推理。

Comments Accepted by ACM Multimedia 2026 (MM '26). 8 pages, 3 figures. Code: this https URL (https://github.com/syc1336/VISOR)

Sparse Coverage: Semantic Center Representations for Patent Prior-Art Retrieval

稀疏覆盖：用于专利现有技术检索的语义中心表示

You Zuo (ALMAnaCH), Kim Gerdes (LISN, Qatent, STL), Éric de la Clergerie (ALMAnaCH), Benoît Sagot (ALMAnaCH)

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

AI总结 针对专利现有技术检索的长文档特性，提出无监督语义检索框架Sparse Coverage，采用面向覆盖的k中心目标生成稀疏表示，在CLEF-IP 2013实验中其文档级召回率优于或媲美稠密专利编码器，可作为专利检索的有效第一阶段方法。

CABLE: Extending the Reach of Memory Retrieval via Complementary Antecedent-Based Linking and Expansion

CABLE：通过基于互补前项的链接与扩展扩展记忆检索的覆盖范围

Zheling Tan, Jin Gao, Dequan Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

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

AI总结 CABLE是一种插件式记忆检索增强模块，通过构建互补关联扩展检索覆盖范围，在多个模型和数据集上的系统级评估中提升了证据可及性的LLM评判分数。

Comments Accepted by COLM 2026

VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval

VisDocAgentBench：面向视觉丰富文档检索的智能体基准测试

Lexiang Hu, Yanzhao Zhang, Mingxin Li, Dingkun Long, Yikang Li, Fuwei Zhang, Yisen Wang, Zhouchen Lin

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

AI总结 该研究提出VisDocAgentBench基准，对比静态与智能体检索，发现视觉检索优于OCR文本检索，智能体可改善双桥项检索性能，为检索智能体发展提供方向。

LLM-Based Generative Retrieval for Snapchat Content Recommendation

基于大语言模型的生成式检索用于Snapchat内容推荐

Liam Collins, Jiwen Ren, Donald Loveland, Bhuvesh Kumar, Clark Mingxuan Ju, Xuan Guo, Mo Li, Alvin Hou, Yi Cui, Peng Yang, Jian Wang, Saud Afzal Shafi, Nga Than, Ruiming Lu, Wenfeng Zhuo, Dongheng Li, Lili Zhang, Mingtao Zhang, Jinchao Ye, Vincent Xue, Chunhui Zhu, Neil Shah

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

AI总结 该研究针对将预训练LLM转化为生成式检索器的挑战，设计了SnapLGR系统，通过三项核心优化实现了Snapchat短视频推荐效果的提升。