RAG / 检索增强生成

Legal2LogicICL: Improving Generalization in Transforming Legal Cases to Logical Formulas via Diverse Few-Shot Learning

Legal2LogicICL: 通过多样少量样本学习提升将法律案例转换为逻辑公式的一般化能力

Jieying Xue, Phuong Minh Nguyen, Ha Thanh Nguyen, May Myo Zin, Ken Satoh

机构 * Center for Juris-Informatics, ROIS-DS（法信息学中心，ROIS-DS） ； Japan Advanced Institute of Science and Technology（日本先端科学技术大学） 纠错

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

AI总结 本文提出Legal2LogicICL框架，通过检索增强生成实现有效上下文学习，构建信息丰富且稳定的少量样本演示，提升法律案例转逻辑表示的准确性与稳定性。

Comments Accepted at ICAIL 2026

RECIPER: A Dual-View Retrieval Pipeline for Procedure-Oriented Materials Question Answering

RECIPER：一种面向材料问题回答的双视角检索流程

Zhuoyu Wu, Wenhui Ou, Pei-Sze Tan, Wenqi Fang, Sailaja Rajanala, Raphaël C. -W. Phan

机构 * Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） 纠错

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

AI总结 本文提出RECIPER双视角检索流程，通过结合段落上下文和紧凑的LLM提取的工艺摘要，提升材料科学论文中工艺细节的检索效果，实验表明在多个检索模型上均取得显著提升。

Comments 5 pages, 1 figure

CircuitSynth: Reliable Synthetic Data Generation

CircuitSynth：可靠的合成数据生成

Zehua Cheng, Wei Dai, Jiahao Sun, Thomas Lukasiewicz

机构 * University of Oxford（牛津大学） ； TU Wien（维也纳工业大学） 纠错

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

AI总结 CircuitSynth提出了一种新的神经符号框架，通过将语义推理与表层实现解耦，结合概率句法决策图和凸优化机制，实现高保真合成数据生成，确保逻辑约束和分布目标。

Comments 11 Pages

Retrieval-Augmented Large Language Models for Evidence-Informed Guidance on Cannabidiol Use in Older Adults

基于检索增强的大型语言模型用于指导老年人使用大麻二酚的证据支持

Ali Abedi, Charlene H. Chu, Shehroz S. Khan

机构 * Lawrence Bloomberg Faculty of Nursing, University of Toronto（多伦多大学劳伦斯·布隆伯格护理学院） ； KITE Research Institute, Toronto Rehabilitation Institute, University Health Network（大学健康网络多伦多康复研究所KITE研究所） ； College of Engineering and Technology, American University of the Middle East（中东美国大学工程与技术学院） 纠错

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

AI总结 本文提出一种结合结构化提示工程与大麻二酚证据的检索增强型大型语言模型框架，用于为老年人提供安全指导，同时开发了无标注评估框架以评估AI在敏感健康场景中的可靠性。

Task-Adaptive Retrieval over Agentic Multi-Modal Web Histories via Learned Graph Memory

基于学习图记忆的代理多模态网络历史任务自适应检索

Saman Forouzandeh, Kamal Berahmand, Mahdi Jalili

机构 * School of Engineering, Royal Melbourne Institute of Technology University（皇家墨尔本理工大学工程学院） 纠错

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

AI总结 本文提出ACGM方法，通过任务自适应图记忆检索代理历史，利用策略梯度优化提升检索质量，在多个数据集上取得显著成果。

Comments The 49th International ACM SIGIR Conference on Research and Development in Information Retrieval

Align then Train: Efficient Retrieval Adapter Learning

对齐后再训练：高效的检索适配学习

Seiji Maekawa, Moin Aminnaseri, Pouya Pezeshkpour, Estevam Hruschka

机构 * Megagon Labs（Megagon实验室） 纠错

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

AI总结 本文提出Efficient Retrieval Adapter框架，通过自监督对齐和监督适应两阶段训练，解决复杂查询与简单文档之间的检索不匹配问题，提升低标注场景下的检索性能。

Cite Pretrain: Retrieval-Free Knowledge Attribution for Large Language Models

Cite Pretrain: 无需检索的知识归因于大语言模型

Yukun Huang, Sanxing Chen, Jian Pei, Manzil Zaheer, Bhuwan Dhingra

机构 * Duke University（杜克大学） ； Meta 纠错

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

AI总结 本文提出CitePretrainBench基准，通过修改训练过程使大语言模型在无检索情况下可靠归因于训练期间看到的文档。通过两阶段方法提升模型在短形式和长形式引用任务中的表现，实验显示Active Indexing在多个任务和模型中均取得30.2%的引用精度提升。

Domain-Adapted Retrieval for In-Context Annotation of Pedagogical Dialogue Acts

领域适应的检索用于上下文注释教学对话行为

Jinsook Lee, Kirk Vanacore, Zhuqian Zhou, Bakhtawar Ahtisham, Rene F. Kizilcec

机构 * Cornell University（康奈尔大学） 纠错

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

AI总结 本文提出一种领域适应的RAG流水线，用于教学对话行为标注，通过轻量级嵌入模型在对话层面索引以提高标注精度，实验显示其在两个真实教学对话数据集上显著优于无检索基线。

Comments 20 pages, 20 tables, 4 figures

PAVE: Premise-Aware Validation and Editing for Retrieval-Augmented LLMs

PAVE：基于前提的验证与编辑用于检索增强的大语言模型

Tianyi Huang, Caden Yang, Emily Yin, Eric Wang, Michael Zhang

机构 * Ryquo ； App-In Club 纠错

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

AI总结 PAVE通过在推理阶段验证和编辑检索到的证据，提高检索增强大语言模型的回答一致性。在两个证据基础问答任务中，PAVE在跨度基础基准上提升了32.7个准确率点。

Comments Accepted at the ICLR 2026 Workshop on Logical Reasoning of Large Language Models

DIVER: A Multi-Stage Approach for Reasoning-intensive Information Retrieval

DIVER：一种用于推理密集型信息检索的多阶段方法

Duolin Sun, Meixiu Long, Dan Yang, Junjie Wang, Yecheng Luo, Yue Shen, Jian Wang, Hualei Zhou, Chunxiao Guo, Peng Wei, Jiahai Wang, Jinjie Gu

机构 * Ant Group（蚂蚁集团） ； Sun Yat-sen University（中山大学） 纠错

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

AI总结 DIVER通过多阶段流程提升推理密集型信息检索性能，包含文档预处理、查询扩展、检索和重排序四个环节，有效应对需要抽象推理和多步推理的复杂查询。

Quid est VERITAS? A Modular Framework for Archival Document Analysis

真理为何？面向档案文档分析的模块化框架

Leonardo Bassanini, Ludovico Biancardi, Alfio Ferrara, Andrea Gamberini, Sergio Picascia, Folco Vaglienti

机构 * Università degli Studi di Milano（米兰大学） ； University Library Service（大学图书馆服务部） ； Department of Literary Studies, Philology and Linguistics（文学、语文学与语言学系） ； Department of Historical Studies（历史研究系） ； Department of Computer Science（计算机科学系） 纠错

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

AI总结 本文提出VERITAS框架，通过整合转录、版式分析和语义增强，提升历史文档数字化分析能力，实验显示其在词错误率和处理时间上均有显著提升。

Comments to be published in: LLMs4SSH: Shaping Multilingual, Multimodal AI for the Social Sciences and Humanities, organized within the 15th Language Resource and Evaluation Conference (2026)

AISAC: An Integrated multi-agent System for Transparent, Retrieval-Grounded Scientific Assistance

AISAC：一个集成的多智能体系统，用于透明、基于检索的科学协助

Chandrachur Bhattacharya, Sibendu Som

机构 * Transportation and Power Systems Division, Argonne National Laboratory, USA（美国阿贡国家实验室交通与动力系统部） 纠错

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

AI总结 AISAC 提供了一个透明的多智能体运行环境，支持长期的证据支持科学推理，通过结构化保证实现角色语义、预算管理、可追溯执行和工具交互可重复性。

Schema for In-Context Learning

基于模式的上下文学习框架

Pan Chen, Shaohong Chen, Mark Wang, Shi Xuan Leong, Priscilla Fung, Varinia Bernales, Alan Aspuru-Guzik

机构 * University of Toronto（多伦多大学） ； Nanyang Technological University（南洋理工大学） ； Acceleration Consortium（加速联盟） ； Vector Institute for Artificial Intelligence（向量人工智能研究所） ； Canadian Institute for Advanced Research (CIFAR)（加拿大高等研究院（CIFAR）） ； NVIDIA（英伟达） 纠错

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

AI总结 本文提出基于认知模式的上下文学习框架，通过提取先验示例中的认知构建块，生成抽象模式以增强模型推理能力，实验证明在化学和物理问题上性能提升达36.19%。

SkillFlow: Scalable and Efficient Agent Skill Retrieval System

SkillFlow：可扩展且高效的智能体技能检索系统

Fangzhou Li, Pagkratios Tagkopoulos, Ilias Tagkopoulos

机构 * University of California, Davis（加州大学戴维斯分校） ； USDA/NSF AI Institute for Next Generation Food Systems（美国农业部/国家科学基金会下一代食品系统人工智能研究所） ； Process Integration and Predictive Analytics（过程集成与预测分析） 纠错

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

AI总结 SkillFlow通过多阶段检索流程提升智能体技能检索效率，实现在SkillsBench上Pass@1提升78.3%，但Terminal-Bench显示检索效果受限于技能库质量

Supercharging Federated Intelligence Retrieval

增强联邦智能检索

Dimitris Stripelis, Patrick Foley, Mohammad Naseri, William Lindskog-Münzing, Chong Shen Ng, Daniel Janes Beutel, Nicholas D. Lane

机构 * Flower Labs 纠错

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

AI总结 本文提出一个安全的联邦RAG系统，通过本地数据检索和服务器端加密环境实现隐私保护的远程LLM推理，并引入非保密第三方模型作为辅助上下文。

Comments 6 pages, 1 figure, 2 tables

Mitigating LLM Hallucinations through Domain-Grounded Tiered Retrieval

通过领域导向的分层检索缓解大语言模型的幻觉

Md. Asraful Haque, Aasar Mehdi, Maaz Mahboob, Tamkeen Fatima

机构 * Computational Unit, Z.H. College of Engineering & Technology, Aligarh Muslim University, India（计算单元，Z.H. 工程技术学院，阿利加尔穆斯林大学，印度） ； Interdisciplinary Center for Artificial Intelligence, Aligarh Muslim University, India（跨学科人工智能中心，阿利加尔穆斯林大学，印度） ； Department of Computer Engineering, Aligarh Muslim University, India（计算机工程系，阿利加尔穆斯林大学，印度） 纠错

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

AI总结 本文提出一种领域导向的分层检索与验证架构，通过将LLM从随机模式匹配者转变为验证真理寻求者，系统拦截事实性不准确内容。在六个基准测试中，该框架在时间精度和数值准确性要求高的领域表现出色，但发现存在'假前提过度断言'的持续失败模式。

Comments 14 Pages, 5 Figures, 4 Tables; v2: Updated Table 3 and Figure 4 to address minor data inconsistencies and revised the relevant content

A Systematic Study of Pseudo-Relevance Feedback with LLMs

基于大语言模型的伪相关反馈的系统研究

Nour Jedidi, Jimmy Lin

机构 * University of Waterloo（滑铁卢大学） 纠错

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

AI总结 本文系统研究了基于大语言模型的伪相关反馈方法，发现反馈模型选择和反馈源对PRF效果有重要影响，且从语料库获取反馈在强检索器支持下效果最佳。

TAMUSA-Chat: A Domain-Adapted Large Language Model Conversational System for Research and Responsible Deployment

TAMUSA-Chat: 一个面向研究和负责任部署的领域适应大型语言模型对话系统

Izzat Alsmadi, Anas Alsobeh

机构 * Texas A&M University–San Antonio（德克萨斯A&M大学-圣安东尼奥分校） ； Utah Valley University（犹他谷大学） 纠错

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

AI总结 TAMUSA-Chat是一个面向研究和负责任部署的领域适应大型语言模型对话系统，通过监督微调、检索增强生成和系统化评估方法，解决机构环境中的关键挑战。

Tucano 2 Cool: Better Open Source LLMs for Portuguese

Tucano 2 Cool: 更好的开源葡萄牙语大语言模型

Nicholas Kluge Corrêa, Aniket Sen, Shiza Fatimah, Sophia Falk, Lennard Landgraf, Julia Kastner, Lucie Flek

机构 * Bonn-Aachen International Center for Information Technology (b-it) / CAISA Lab（波恩-亚琛国际信息科技中心（b-it）/ CAISA实验室） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所） ； Center for Science and Thought（科学与思想研究中心） ； Helmholtz-Institut für Strahlen- und Kernphysik（亥姆霍兹辐射与核物理研究所） ； Bonn Sustainable AI Lab（波恩可持续AI实验室） 纠错

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

AI总结 Tucano 2推出了一系列开源葡萄牙语大语言模型，通过扩展数据集和改进训练方法，实现了在多种语言任务上的最佳性能。

ToolDreamer: Instilling LLM Reasoning Into Tool Retrievers

ToolDreamer: 将大语言模型推理能力注入工具检索器

Saptarshi Sengupta, Zhengyu Zhou, Jun Araki, Xingbo Wang, Bingqing Wang, Suhang Wang, Zhe Feng

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Bosch Research North America（博世北美研究） 纠错

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

AI总结 ToolDreamer通过合成工具描述来改进工具检索，提升稀疏和密集检索器性能，减少LLM上下文窗口压力。

Comments Accepted to EACL 2026 (main/oral)

Personality as Relational Infrastructure: User Perceptions of Personality-Trait-Infused LLM Messaging

性格作为关系基础设施：用户对融入人格特质的LLM消息的感知

Dominik P. Hofer, David Haag, Rania Islambouli, Jan D. Smeddinck

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

AI总结 研究探讨了基于人格特质的LLM消息对用户感知的影响，发现人格信息通过整体暴露而非单条信息优化提升个性化和适当性评价。

Comments Currently under review

Understanding In-Context Learning Beyond Transformers: An Investigation of State Space and Hybrid Architectures

超越Transformer的理解：对状态空间和混合架构的调查

Shenran Wang, Timothy Tin-Long Tse, Jian Zhu

机构 * The University of British Columbia（不列颠哥伦比亚大学） 纠错

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

AI总结 本文通过行为探测和干预方法，探讨了不同架构在ICL任务中的表现差异，发现FVs主要位于自注意力和Mamba层，并揭示了Mamba2的ICL机制与FVs的不同。

Understanding Usage and Engagement in AI-Powered Scientific Research Tools: The Asta Interaction Dataset

理解人工智能驱动的科学研究工具的使用与参与：Asta交互数据集

Dany Haddad, Dan Bareket, Joseph Chee Chang, Jay DeYoung, Jena D. Hwang, Uri Katz, Mark Polak, Sangho Suh, Harshit Surana, Aryeh Tiktinsky, Shriya Atmakuri, Jonathan Bragg, Mike D'Arcy, Sergey Feldman, Amal Hassan-Ali, Rubén Lozano, Bodhisattwa Prasad Majumder, Charles McGrady, Amanpreet Singh, Brooke Vlahos, Yoav Goldberg, Doug Downey

机构 * Allen Institute for AI（艾伦人工智能研究所） ； Core contributors（核心贡献者） 纠错

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

AI总结 本文通过Asta交互数据集研究用户在AI驱动的科学研究工具中的使用模式与参与行为，揭示了用户如何将系统视为协作伙伴，并提出了新的查询意图分类法以指导未来设计。

Task-Aware LoRA Adapter Composition via Similarity Retrieval in Vector Databases

基于向量数据库相似性检索的任务感知LoRA适配器组合

Riya Adsul, Balachandra Devarangadi Sunil, Isha Nalawade, Sudharshan Govindan

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

AI总结 本文提出基于向量数据库相似性检索的LoRA适配器组合框架，通过动态合并适配器实现多任务学习，线性合并方法在PIQA和RTE任务上取得显著性能提升。

Diagnosing LLM Reranker Behavior Under Fixed Evidence Pools

在固定证据池下诊断LLM重排序器行为

Baris Arat, Emre Sefer

机构 * Ozyegin University（奥济根大学） 纠错

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

AI总结 本文通过固定证据池诊断LLM重排序行为，发现不同模型在冗余和多样性上有显著差异，且LLM在小预算下表现欠佳。

Validating Political Position Predictions of Arguments

验证论证中政治立场预测的准确性

Jordan Robinson, Angus R. Williams, Katie Atkinson, Anthony G. Cohn

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

AI总结 本文提出双尺度验证框架，通过点评和成对验证方法验证论证中政治立场预测的准确性，构建了大规模政治立场知识库，提升了政治领域知识表示能力。

Comments 13 pages, 6 figures, 6 tables. Under review

RUVA: Personalized Transparent On-Device Graph Reasoning

RUVA：面向设备的个性化透明图推理

Gabriele Conte, Alessio Mattiace, Gianni Carmosino, Potito Aghilar, Giovanni Servedio, Francesco Musicco, Vito Walter Anelli, Tommaso Di Noia, Francesco Maria Donini

机构 * Politecnico di Bari（巴里理工大学） ； Università degli Studi della Tuscia（图斯卡大学） 纠错

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

AI总结 RUVA通过图推理实现个人AI的透明性和隐私保护，允许用户直接编辑知识图谱中的信息。

Retrieval-Augmented Self-Taught Reasoning Model with Adaptive Chain-of-Thought for ASR Named Entity Correction

带有自适应思维链的检索增强自教推理模型用于ASR命名实体修正

Junjie An, Jingguang Tian, Tianyi Wang, Yu Gao, Xiaofeng Mou, Yi Xu

机构 * AI Research Institute, Midea Group (Shanghai) Co.,Ltd., China（美的集团（上海）研究院） ； Zhejiang University, China（浙江大学） 纠错

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

AI总结 本文提出一种检索增强自教推理模型，用于改进ASR中命名实体修正，通过自适应思维链和音节级编辑距离提升纠错效果。

Improving Neural Retrieval with Attribution-Guided Query Rewriting

通过归因引导的查询重写改进神经检索

Moncef Garouani, Josiane Mothe

机构 * IRIT, UMR5505 CNRS Université Toulouse Capitole（IRIT，CNRS 5505 机构，图卢兹大学） ； IRIT, UMR5505 CNRS UT2J, Université de Toulouse（IRIT，CNRS 5505 机构，图卢兹大学） 纠错

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

AI总结 本文提出归因引导的查询重写方法，通过标记级解释指导LLM澄清模糊查询，提升神经检索效果。

MemAdapter: Fast Alignment across Agent Memory Paradigms via Generative Subgraph Retrieval

MemAdapter：通过生成子图检索实现跨代理记忆范式的快速对齐

Xin Zhang, Kailai Yang, Chenyue Li, Hao Li, Qiyu Wei, Jun'ichi Tsujii, Sophia Ananiadou

机构 * The University of Manchester（曼彻斯特大学） ； Stanford University（斯坦福大学） ； Imperial College London（伦敦帝国理工学院） ； National Institute of Advanced Industrial Science（国家先进工业科学与技术研究院） 纠错

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

AI总结 MemAdapter通过生成子图检索实现跨代理记忆范式的快速对齐，提升记忆检索灵活性并降低对齐成本，实验显示其性能优于现有系统。