RAG / 检索增强生成

AGL-1: The Enterprise AI Governance Layer as a Control Plane for Trusted Enterprise Intelligence

AGL-1：作为可信企业智能控制平面的企业人工智能治理层

Roopam W. Sure

机构 * Independent Researcher（独立研究员） 纠错

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

AI总结 研究企业人工智能从实验走向运营面临的治理挑战，介绍AGL-1企业人工智能治理层这一参考模型，基于相关原则将治理问题从检索控制扩展到全执行路径治理，定义七个治理领域。

Comments 16 pages, 1 figure; independent technical report

Reinforcement Learning for Evidence-Seeking Diagnostic Reasoning with Large Language Models

基于强化学习的大语言模型证据寻求诊断推理

Shengyi Hua, Kangzhe Hu, Conghui He, Xiaofan Zhang, Shaoting Zhang

机构 * Qing Yuan Research Institute, Shanghai Jiao Tong University（上海交通大学清源研究院） ； Shanghai Innovation Institute（上海创新院） ； Shanghai AI Laboratoty（上海人工智能实验室） 纠错

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

AI总结 将医学诊断形式化为迭代证据寻求任务，利用带可验证奖励的强化学习，引入基于检索增强生成的检查模拟器，使大语言模型从被动响应转变为自主助手。

Hawk: Harnessing Hardware-Aware Knowledge for High-Performance NPU Kernel Generation

Hawk：利用硬件感知知识生成高性能NPU内核

Junyi Wen, Ruiyan Zhuang, Yongjia Xu, Pengtu Li, Rui Zou, Hongyi Chen, Chingman Wan, Puxu Yang, Wuhui Chen, Yanlin Wang

机构 * Sun Yat-sen University（中山大学） ； Greater Bay Area National Technology Innovation Center（粤港澳大湾区国家技术创新中心） ； Peng Cheng Laboratory（鹏城实验室） 纠错

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

AI总结 提出Hawk框架，通过运行时知识合成、瓶颈感知检索和效果驱动蒸馏三个模块，将NPU内核生成准确率从49.4%提升至80.0%，执行速度最高提升2.2倍。

CausalSteward: An Agentic Divide-Conquer-Combine Copilot for Causal Discovery

CausalSteward: 一种用于因果发现的智能分治-合并副驾驶

Nicholas Tagliapietra, Gian Lorenzo Marchioni, Moritz Willig, Juergen Luettin, Lavdim Halilaj, Kristian Kersting

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

AI总结 提出CausalSteward多智能体框架，通过分治策略将高维变量迭代划分并分别分析，融合先验知识与数据驱动方法，解决因果可识别性问题。

Generative Retrieval via Diffusion Transformer with Metric-Ordered Sequence Training and Hybrid-Policy Preference Optimization

基于扩散Transformer的生成式检索：度量有序序列训练与混合策略偏好优化

Chenghao Liu, Yu Zhang, Zhongtao Jiang, Kun Xu, Zhenwei An, Renzhi Wang, Zhao Wang, Jiachen Zhang, Yuxiao Zhang, Kun Xu, Songfang Huang

机构 * Peking University（北京大学） 纠错

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

AI总结 针对模式保持的属性检索任务，提出MO-DiT+HPPO框架，通过度量有序训练和混合策略偏好优化，在八个领域分割中七个取得显著提升。

Adaptive Re-Ranking

自适应重排序

Ata Cinar Genc, Emir Kaan Korukluoglu, James Allan

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

AI总结 提出基于效用的自适应重排序框架，通过查询路由选择不同复杂度的排序模型，在保持检索质量的同时显著降低延迟和计算成本。

Comments 7 pages

Cross-Lingual Exploration for Parametric Knowledge

跨语言探索参数化知识

Elisha Diskind, Itamar Trainin, Uri Shaham, Leshem Choshen, Idan Szpektor, Omri Abend

机构 * The Hebrew University of Jerusalem（海法大学） ； Google Research（谷歌研究） ； MIT, IBM-MIT Watson AI Lab（麻省理工学院与IBM-麻省理工 Watson人工智能实验室） 纠错

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

AI总结 本文研究通过跨语言提示策略探索大型语言模型中的隐藏事实知识，发现跨语言探索能显著提升知识迁移和事实召回，比单语言扩展更高效，并改善跨语言一致性。

Comments 29 pages, 5 figures, preprint

INSPIRE: Intent-aware Neural Sponsored Product Retrieval for E-commerce

INSPIRE：面向电子商务的意图感知神经赞助商品检索

Shasvat Desai, Hong Yao, Utkarsh Porwal, Kuang-chih Lee

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

AI总结 针对电商搜索中用户意图与商品不匹配问题，提出INSPIRE框架，利用结构化意图信号（如品牌、口味、饮食限制）增强查询与赞助商品的匹配，通过弱监督意图学习和大模型蒸馏实现精准检索。

Comments Accepted to ACM SIGIR E-commerce Workshop, 2026

CRAwLeR -- Cross-Reference Aware Legal Retrieval

CRAwLeR -- 交叉引用感知的法律检索

Maciej Jalocha, William Michelsen

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

AI总结 针对法律文档中的交叉引用，提出CRAwLeR流水线，生成需要上下文的查询并构建数据集，实验表明约80%的查询真正需要上下文，最佳Recall@10为55%-59%。

Comments 26 pages, 18 figures

PACMS: Submodular Context Selection as a Pluggable Engine for LLM Agents

PACMS: 作为LLM代理可插拔引擎的子模上下文选择

Manu Ghulyani, Arunabh Singh, Karan Bharadwaj, Ankit Nath, Suranjan Goswami

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

AI总结 提出PACMS，一种基于子模函数最大化的上下文选择方法，在提示组装时按相关性从会话、记忆和工具输出中挑选内容，替代截断机制，提升长对话中的信息保持能力。

Measuring Curriculum Alignment across Topical Coverage, Competency, and Cognitive Depth: A Longitudinal Framework Applied to CS2013 and CS2023

衡量课程在主题覆盖、能力与认知深度上的一致性：应用于CS2013和CS2023的纵向框架

Sherzod Turaev, Mary John, Saja Aldabet, Mamoun Awad, Nazar Zaki, Khaled Shuaib

机构 * United Arab Emirates University（阿联酋大学） ； Abu Dhabi Polytechnic（阿布扎比理工学院） 纠错

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

AI总结 提出一种人机协同流程，通过语义检索与人工确认，纵向衡量计算机科学课程对CS2013和CS2023指南的覆盖情况，发现课程覆盖稳定但新指南对认知深度要求更高。

Comments 24 pages, 5 figures, 8 tables

User as Engram: Internalizing Per-User Memory as Local Parametric Edits

用户作为印迹：将每用户记忆内化为局部参数编辑

Bojie Li

机构 * Pine AI 纠错

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

AI总结 提出User as Engram方法，将用户事实存储为Engram模型的哈希键控记忆表中的局部编辑，推理技能共享一个适配器，实现高精度间接推理且内存占用极小。

Querit-Reranker: Training Compact Multilingual Rerankers via Efficient Label-Free Distribution Adaptation

Querit-Reranker: 通过高效无标签分布适应训练紧凑型多语言重排序器

Yunfei Zhong, Jun Yang, Wei Huang, Yinqiong Cai, Haosheng Qian, Yixing Fan, Ruqing Zhang, Lixin Su, Daiting Shi, Jiafeng Guo

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

AI总结 提出Querit-Reranker系列多语言交叉编码器重排序模型，采用数据驱动的无标签适应管道，通过合成查询挖掘和教师软标签进行分布适应，并利用球面线性插值合并检查点，在BEIR和MIRACL上显著提升nDCG@10，在MTEB多语言重排序上达到最优性能。

IsabeLLM: Automated Theorem Proving Applied to Formally Verifying Consensus

IsabeLLM: 自动化定理证明应用于共识的形式化验证

Elliot Jones, William Knottenbelt

机构 * Imperial College London（伦敦帝国学院） 纠错

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

AI总结 本文改进IsabeLLM自动化定理证明工具，通过检索增强生成、错误追踪和反例生成提升大语言模型上下文，并兼容最新Isabelle和Sledgehammer，用于验证比特币工作量证明共识。

Compositional Skill Routing for LLM Agents: Decompose, Retrieve, and Compose

面向LLM智能体的组合技能路由：分解、检索与组合

Xueping Gao

机构 * Alibaba Cloud（阿里云） 纠错

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

AI总结 提出SkillWeaver框架，通过迭代技能感知分解（SAD）将复杂查询分解为原子子任务，检索对应技能并组合为可执行计划，在CompSkillBench上验证了分解质量是主要瓶颈，SAD将分解准确率提升32.7%。

PreAct: Computer-Using Agents that Get Faster on Repeated Tasks

PreAct：在重复任务上加速的计算机使用代理

Bojie Li

机构 * Pine AI 纠错

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

AI总结 提出PreAct方法，通过将首次成功执行编译为状态机程序，在后续任务中直接重放，避免逐步骤调用语言模型，实现8.5-13倍加速，并确保重放时屏幕状态匹配。

Can LLMs Be CEOs? Benchmarking Strategic Resource Reallocation with Multi-Role Agent Simulation

LLM 能当 CEO 吗？基于多角色智能体模拟的战略资源重新配置基准测试

Yuyang Dai, Xueqing Peng, Lingfei Qian, Zhuohan Xie

机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Yale University（耶鲁大学） 纠错

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

AI总结 提出 CEO-Bench，一个多智能体基准，评估 LLM 在约束丰富的组织环境中进行多轮战略资源重新配置的能力，发现模型在结构有效性上表现良好，但在战略校准上存在系统性失败模式。

Comments 13 pages

When Rules Learn: A Self-Evolving Agent for Legal Case Retrieval

当规则学习时：一种用于法律案例检索的自演化智能体

Mingxu Tao, Jiawei Hu, Xian Zhou, Wenpeng Hu, Jiajun Cheng, Yunbo Cao, Zhunchen Luo, Guotong Geng

机构 * Center of Information Research, AMS（AMS信息研究中心） ； Discipline and Technology Research Center for Large Model Intelligence Applications（大模型智能应用学科与技术研究中心） ； Hebei University of Engineering（河北工程大学） 纠错

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

AI总结 提出一种自演化框架，通过LLM智能体自动生成并优化查询重写规则，无需参数训练即可增强BM25在法律案例检索中的性能。

Comments To appear in ACL 2026

Cluster-Aware Dual-Level Test Specification Generation for Large-Scale Automotive Software Requirements

面向大规模汽车软件需求的集群感知双层测试规格生成

Hazem Ayman, Menna Sedik, Kareem Mostafa, Mahmoud Soliman, Samer Saber, Ibrahim Habib

机构 * CairoMotive Cairo, Egypt（开罗动力埃及） 纠错

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

AI总结 提出一种“先聚类后总结”流水线，通过嵌入、降维、聚类、多级摘要和双层测试生成，解决大规模需求下LLM处理依赖缺失和上下文窗口限制问题，提升集成测试覆盖率并高效扩展。

SPARK: Security Knowledge Priming and Representation-Guided Knowledge Activation for LLM-based Secure Code Generation

SPARK: 基于安全知识引导与表示激活的LLM安全代码生成

Xiaoyun Xu, Lichao Wu, Jona te Lintelo, Siyu Zhang, Stjepan Picek

机构 * Radboud University（拉德堡德大学） ； University of Bristol（布里斯托大学） ； University of Zagreb（扎格雷布大学） 纠错

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

AI总结 提出SPARK方法，通过检索CWE条目并添加结构化提示激活模型内隐安全知识，结合预计算令牌偏置，无需重训练即可提升代码安全性。

Verifiable User Simulation for Search and Recommendation Systems

面向搜索与推荐系统的可验证用户模拟

Chenglong Ma, Xinye Wanyan, Danula Hettiachchi, Ziqi Xu, Yongli Ren, Jeffrey Chan

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

AI总结 提出一个七组件可审计框架，将用户模拟器视为可验证工程制品，通过动手实验检查模拟器行为、诊断差异并检测人口偏差。

Comments Presented as a half-day tutorial at SIGIR 2026, 4 pages

Journal ref In Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2026)

Decoupled Mixture-of-Experts for Parametric Knowledge Injection

解耦混合专家用于参数化知识注入

Baoqing Yue, Weihang Su, Qingyao Ai, Yichen Tang, Changyue Wang, Jiacheng Kang, Jingtao Zhan, Yiqun Liu

机构 * Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） 纠错

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

AI总结 提出解耦混合专家（DMoE）架构，将外部知识转化为独立可更新的专家模块，通过轻量级不确定性感知路由器在基础模型知识不足时激活相关专家，实现参数级知识增强，在知识密集型基准上优于检索和适配器基线。

CoDeR: Local Constraint-Compatible Retrieval Beyond Semantic Similarity

CoDeR: 超越语义相似性的局部约束兼容检索

Xingkun Yin, Xuebin Tang, Hongyang Du

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

AI总结 针对约束敏感查询中语义相似性作为相关性代理的失效问题，提出CoDeR方法，通过分离主题相关性与约束兼容性，利用对比学习训练兼容性评分器，在不调用外部大模型的情况下实现约束兼容检索。

CompRank: Efficient LLM Reranking via Token-Level Compression and Decoding-Free Scoring

CompRank: 通过令牌级压缩和无解码评分实现高效的LLM重排序

Xuan Lu, Haohang Huang, Yingqi Fan, Junlong Tong, Yuxuan Zhang, Ping Nie, Rui Meng, Xiaoyu Shen

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

AI总结 提出CompRank框架，通过令牌级压缩和无解码注意力评分减少冗余计算，在BEIR数据集上仅保留10.2%文档令牌即达到接近全令牌的排序性能，并实现4.9-9.5倍端到端加速。

Towards Autonomous Accelerator Design: FPGA Accelerator Generation with SECDA

迈向自主加速器设计：基于SECDA的FPGA加速器生成

Vinamra Sharma, Xingjian Fu, Jude Haris, José Cano

机构 * School of Computing Science, University of Glasgow, Scotland, UK（格拉斯哥大学计算机科学学院） 纠错

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

AI总结 提出SECDA-DSE框架，集成大语言模型引导FPGA加速器设计空间探索，通过结构化探索器和LLM推理生成可综合的加速器设计，减少人工干预。

Comments Accepted to the Machine Learning for Architecture and Systems Workshop (MLArchSys), co-located with ISCA 2026

Density Field State Space Models: 1-Bit Distillation, Efficient Inference, and Knowledge Organization in Mamba-2

密度场状态空间模型：Mamba-2中的1比特蒸馏、高效推理与知识组织

Chirag Shinde

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 提出DF-SSM框架，将SSM压缩至1比特骨架加int8低秩校正，应用于Mamba-2 1.3B模型，实现9.7倍压缩和21.4倍推理加速，仅需3200万令牌和6小时蒸馏，并发现模型内部知识组织的三个处理阶段。

Comments 16 pages, 6 figures, 7 tables. Code available at https://github.com/cs-cmyk/df-ssm

AbstRAG: Learning to Abstract for Retrieval Problems

AbstRAG：面向检索问题的抽象学习

Lei Xu, Xin Quan, Daniel Pedronette, André Freitas

机构 * Idiap Research Institute（Idiap 研究所） ； École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院 (EPFL)） ； São Paulo State University（圣保罗州立大学） ； University of Manchester（曼彻斯特大学） ； CRUK National Biomarker Centre（英国癌症研究中心国家生物标志物中心） 纠错

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

AI总结 针对查询与文档证据间的抽象鸿沟问题，提出AbstRAG方法，通过将抽象作为显式检索对象，并采用反思性精炼机制，在三个基准上提升了检索和生成性能。

MM-Matryoshka: Towards Budget-Elastic Visual Document Retrieval via a 2D Multimodal Matryoshka Training Framework

MM-Matryoshka：通过二维多模态套娃训练框架实现预算弹性视觉文档检索

Haowen Xiang, Yibo Yan, Jiahao Huo, Yu Huang, Yi Cao, Mingdong Ou, Xuming Hu

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Alibaba Cloud Computing（阿里云计算） ； Hong Kong University of Science and Technology（香港科技大学） 纠错

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

AI总结 提出MM-Matryoshka，一种二维套娃训练框架，使视觉文档检索器在向量维度和编码器深度上实现弹性预算选择，无需为不同预算训练独立模型。

Towards Retrieving Interaction Spaces for Agentic Search

面向智能体搜索的交互空间检索

Shengyao Zhuang, Yuansheng Ni, Hengxin Fun, Jimmy Lin, Xueguang Ma

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

AI总结 提出RISE方法，通过BM25构建有边界的交互空间，并预处理文档支持shell式导航，在BrowseComp-Plus上以约四分之一成本达到78%准确率，优于纯shell基线。

LoKiFormer: Locality-aware Attention with Decoupled Knowledge Memory for Efficient Large Language Model Pretraining

LoKiFormer：面向高效大语言模型预训练的 locality-aware 注意力与解耦知识记忆

Qiuwu Chen, Zimo Liu, Yuchen Li, Ying Sun, Yifan Zhang, Zhijie Qiu, Zeng You, Ryan Dong, Simeng Ma, Yaofo Chen, Mingkui Tan

机构 * AIGCode ； South China University of Technology（华南理工大学） ； Pazhou Laboratory（琶洲实验室） 纠错

专题命中 检索器与排序 ：knowledge retrieval(abstract)

AI总结 针对LLM预训练效率问题，提出含局部融合注意力与知识记忆模块的LoKiFormer，使预训练收敛速度提升1.33倍，性能优于现有架构。

Comments Accepted by ICML 2026