RAG / 检索增强生成

From Retrieved Context to Runtime Control: Adaptive Compression for Edge-based RAG

从检索上下文到运行时控制：基于边缘设备的检索增强生成（RAG）的自适应压缩

Zlatan Feric, Amir Taherin, Yanzhi Wang, David Kaeli

机构 * Northeastern University（东北大学） 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 该研究针对边缘RAG的上下文压缩问题，提出遥测驱动的自适应压缩方案，通过实验发现中等压缩可显著降低能耗且质量损失极小，主张基于工作负载和边缘遥测动态管理压缩。

Comments Accepted to appear in the Proceedings of the ACM AI Leadership Summit 2026. Zlatan Feric and Amir Taherin contributed equally

A Virtual Member of a Community of Practice for the Society of Petroleum Engineers: From Prototype to Deployment

石油工程师协会实践社区的虚拟成员：从原型到部署

John Boden, Joshua Eckroth, Dayne Freitag, Skyler Gipson, Johnathan Keefe, Karen Myers, Eric Schoen, Pedro Sequeira, Reid Smith, Michael Wessel

专题命中 长文档RAG ：RAG(summary_cn,abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 本文介绍了面向SPE石油天然气领域实践社区的虚拟助手ATHENA，经迭代优化后，其在井规划知识任务中优于RAG基线，已整合至SPE研究门户并部署使用。

Comments 7 pages