RAG / 检索增强生成

Generation-Augmented Retrieval for Open-domain Question Answering

Yuning Mao, Pengcheng He, Xiaodong Liu, Yelong Shen, Jianfeng Gao, Jiawei Han, Weizhu Chen

专题命中 知识库问答 ：dense retrieval(abstract)；分类 cs.IR、cs.CL

Comments Minor format updates

Relevance-guided Supervision for OpenQA with ColBERT

Omar Khattab, Christopher Potts, Matei Zaharia

专题命中 知识库问答 ：retriever(abstract)；分类 cs.IR、cs.CL

Comments Accepted for publication in Transactions of the Association for Computational Linguistics (TACL), 2021. Author's final version. Oral presentation at ACL'21

Efficient Passage Retrieval with Hashing for Open-domain Question Answering

Ikuya Yamada, Akari Asai, Hannaneh Hajishirzi

专题命中 知识库问答 ：retriever(abstract)；分类 cs.IR、cs.CL

Comments ACL 2021

RocketQA: An Optimized Training Approach to Dense Passage Retrieval for Open-Domain Question Answering

Yingqi Qu, Yuchen Ding, Jing Liu, Kai Liu, Ruiyang Ren, Wayne Xin Zhao, Daxiang Dong, Hua Wu, Haifeng Wang

专题命中 知识库问答 ：retriever(abstract)；分类 cs.IR、cs.CL

Comments NAACL 2021

Pruning the Index Contents for Memory Efficient Open-Domain QA

Martin Fajcik, Martin Docekal, Karel Ondrej, Pavel Smrz

专题命中 知识库问答 ：retriever(abstract)；分类 cs.CL、cs.AI

Comments v2 - added connection between pruner and DPR, results on TriviaQA, new reranker, results with HN-DPR checkpoint and additional analyses

PAQ: 65 Million Probably-Asked Questions and What You Can Do With Them

Patrick Lewis, Yuxiang Wu, Linqing Liu, Pasquale Minervini, Heinrich Küttler, Aleksandra Piktus, Pontus Stenetorp, Sebastian Riedel

专题命中 知识库问答 ：retriever(abstract)；分类 cs.CL、cs.AI

Open Question Answering over Tables and Text

Wenhu Chen, Ming-Wei Chang, Eva Schlinger, William Wang, William W. Cohen

专题命中 知识库问答 ：retriever(abstract)；分类 cs.CL、cs.AI

Comments Accepted to ICLR 2021. Main paper has 9 pages

A question-answering system for aircraft pilots' documentation

Alexandre Arnold, Gérard Dupont, Félix Furger, Catherine Kobus, François Lancelot

专题命中 知识库问答 ：retriever(abstract)；分类 cs.IR、cs.CL

Comments 11 pages, 8 figures

Don't Read Too Much into It: Adaptive Computation for Open-Domain Question Answering

Yuxiang Wu, Sebastian Riedel, Pasquale Minervini, Pontus Stenetorp

专题命中 知识库问答 ：retriever(abstract)；分类 cs.CL、cs.AI

Comments 11 pages, 9 figures, presented in EMNLP 2020 main conference and SustaiNLP 2020 workshop

What Disease does this Patient Have? A Large-scale Open Domain Question Answering Dataset from Medical Exams

Di Jin, Eileen Pan, Nassim Oufattole, Wei-Hung Weng, Hanyi Fang, Peter Szolovits

专题命中 知识库问答 ：retriever(abstract)；分类 cs.CL、cs.AI

Comments Submitted to AAAI 2021

Revisiting the Open-Domain Question Answering Pipeline

Sina J. Semnani, Manish Pandey

专题命中 知识库问答 ：retriever(abstract)；分类 cs.CL、cs.AI

An Open and Reproducible Deep Research Agent for Long-Form Question Answering

一个开放且可重复的深度研究代理用于长格式问答

Ikuya Yamada, Wataru Ikeda, Ko Yoshida, Mengyu Ye, Hinata Sugimoto, Masatoshi Suzuki, Hisanori Ozaki, Jun Suzuki

机构 * Studio Ousia（Ousia工作室） ； Tohoku University（东京大学） ； DENTSU SOKEN INC.（DENTSU SOKEN公司） ； RIKEN（日本学术振兴会） ； NII LLMC（日本信息处理学会LLMC） 纠错

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

AI总结 该研究提出一个开放的深度研究代理，结合开源大语言模型和网络搜索API，通过偏好微调提升长格式问答的推理质量。

Comments Technical report of a winning system in the NeurIPS MMU-RAG competition

Answering Complex Open-domain Questions Through Iterative Query Generation

Peng Qi, Xiaowen Lin, Leo Mehr, Zijian Wang, Christopher D. Manning

专题命中 知识库问答 ：retriever(abstract,comments)；分类 cs.CL

Comments EMNLP-IJCNLP 2019. Xiaowen Lin, Leo Mehr, and Zijian Wang contributed equally. GitHub: https://github.com/qipeng/golden-retriever

ConMem: Contribution-Aware Memory for Long-Horizon Manufacturing Inspection Logs

ConMem：面向长周期制造检查日志的贡献感知记忆

Bingchen Liu, Yuanyuan Fang, Lei Liu, Guangyuan Dong, Xing Fu, Yuanyuan Gao, Shuyue Wei, Xin Li, Xiangtian Meng

机构 * Shandong University（山东大学） ； Boston University（波士顿大学） ； North China Electric Power University（华北电力大学） ； National University of Singapore（新加坡国立大学） ； Joint SDU-NTU Centre for Artificial Intelligence Research (C-FAIR), Shandong University（山东大学-南洋理工大学人工智能联合研究中心（C-FAIR）） ； Rizhao Steel Holding Group Co., Ltd.（日照钢铁控股集团有限公司） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 该研究针对长周期制造检查日志的早期风险筛查需求，提出ConMem贡献感知记忆框架，通过Shapley风格评估保留高价值证据，在真实数据集上实现76.0% QA准确率，大幅减少输入token数与响应时间，可有效保留弱早期信号并提供预警。

LitTraceQA: A Benchmark for Multi-Stage Grounding and Verification in Scientific Question Answering

LitTraceQA：面向科学问答的多阶段溯源与验证基准

Xuye Liu, Yimu Wang, Peng Shi, Bo Xue, Xiangrui Ke, Songcheng Cai, Kath Choi, Di Wu, Freda Shi, Krzysztof Czarnecki

机构 * University of Waterloo（滑铁卢大学） ； Amazon（亚马逊公司） ； City University of Hong Kong（香港城市大学） ； University of Amsterdam（阿姆斯特丹大学） 纠错

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

AI总结 该研究提出LitTraceQA基准，用于科学问答的多阶段溯源与验证，提供含多类型证据的问答数据，可评估系统的论文检索、证据溯源及答案准确性，助力生成可验证的科学问答结果。

Comments Work in Progress

Co-Evolving Graph and Text Memory for Training-Free Multi-Hop Question Answering

用于无训练多跳问答的协同进化图与文本记忆

Hieu Man, Thien Huu Nguyen

机构 * University of Oregon（俄勒冈大学） 纠错

专题命中 知识库问答 ：RAG(abstract)；分类 cs.CL

AI总结 研究多跳问答中协调关系与文本证据问题，提出基于同步双向图-文本工作记忆的无训练系统Co-E，通过同步周期巩固记忆并注入事实，在多跳问答基准测试中表现出色，优于可比基线且与其他系统有竞争力。

A Comprehensive Survey of Knowledge-Based Vision Question Answering Systems: The Lifecycle of Knowledge in Visual Reasoning Task

基于知识的视觉问答系统综述：视觉推理任务中的知识生命周期

Jiaqi Deng, Zonghan Wu, Huan Huo, Guandong Xu

机构 * University Technology of Sydney（悉尼大学技术学院） ； East China Normal University（华东师范大学） ； Education University of Hong Kong（香港教育大学） 纠错

专题命中 知识库问答 ：knowledge retrieval(abstract)；分类 cs.IR

AI总结 综述基于知识的视觉问答（KB-VQA）方法，将其分为知识表示、检索和推理三个阶段，并探讨大语言模型带来的变革，指出未来研究方向。

Comments Accepted at TKDE, 20 pages, 5 figures, 4 tables

Journal ref IEEE Transactions on Knowledge and Data Engineering, 2026

How Do Document Parsers Break? Auditing Structural Vulnerability in Document Intelligence

文档解析器如何失效？审计文档智能中的结构脆弱性

Yue Chen, Yihao Wang, Ziyi Tang, Yongsen Zheng, Keze Wang

机构 * Sun Yat-sen University（中山大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出ProSA框架，通过解耦控制探测、策略驱动目标和结构感知诊断，审计文档布局分析（DLA）管道中的结构脆弱性，发现块级结构损失率（B-SLR）比受影响面积更能反映OCR不稳定性，且结构探测导致更大的下游QA/检索退化。

Comments 18 pages, 5 figures, preprint

GS-QA: A Benchmark for Geospatial Question Answering

GS-QA：一个地理空间问答的基准测试

Majid Saeedan, Muhammad Shihab Rashid, Ahmed Eldawy, Vagelis Hristidis

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；分类 cs.DB

AI总结 本文提出GS-QA基准测试，用于评估地理空间问答系统，通过结合多个来源的信息，涵盖广泛的空间对象、谓词和答案类型，展示了现有方法在处理复杂空间谓词和多源推理时的局限性。

Progressive Multimodal Search and Reasoning for Knowledge-Intensive Visual Question Answering

逐步多模态搜索与推理用于知识密集型视觉问答

Changin Choi, Wonseok Lee, Jungmin Ko, Wonjong Rhee

机构 * Interdisciplinary Program in Artificial Intelligence（人工智能交叉学科项目） ； Department of Intelligence and Information（智能与信息系） ； Samsung Advanced Institute of Technology（三星先进技术研究院） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 本文提出PMSR框架，通过逐步构建结构化推理轨迹提升知识获取与综合能力，实验显示在六个基准测试中提升了检索召回率和端到端回答准确性。

SUPERGLASSES: Benchmarking Vision Language Models as Intelligent Agents for AI Smart Glasses

SUPERGLASSES：基于智能眼镜的视觉语言模型智能体基准测试

Zhuohang Jiang, Xu Yuan, Haohao Qu, Shanru Lin, Kanglong Liu, Wenqi Fan, Qing Li

机构 * The Hong Kong Polytechnic University（香港理工大学） 纠错

专题命中 知识库问答 ：knowledge retrieval(abstract)；分类 cs.AI

AI总结 本文提出SUPERGLASSES基准，通过真实世界数据评估智能眼镜的多模态交互能力，提出SUPERLENS模型在VQA任务中超越GPT-4o，揭示了任务特定解决方案的重要性。

Journal ref 2026 IEEE/CVF Conference on Computer Vision and Pattern Recognition- FINDINGS Track (CVPRF)

Beyond Code Snippets: Benchmarking LLMs on Repository-Level Question Answering

超越代码片段：在仓库层面评估大语言模型的问答任务

Yoseph Berhanu Alebachew, Hunter Leary, Swanand Vaishampayan, Chris Brown

机构 * Department of Computer Science, Virginia Tech（弗吉尼亚理工大学计算机科学系） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 本文提出StackRepoQA数据集，用于评估大语言模型在多项目仓库层面的问答能力，通过对比不同配置下的性能，揭示了模型在处理仓库级程序理解时的局限性。

Total Recall QA: A Verifiable Evaluation Suite for Deep Research Agents

全面回忆问答：深度研究代理的可验证评估套件

Mahta Rafiee, Heydar Soudani, Zahra Abbasiantaeb, Mohammad Aliannejadi, Faegheh Hasibi, Hamed Zamani

专题命中 知识库问答 ：retriever(abstract)；分类 cs.IR

AI总结 本文提出Total Recall QA评估框架，通过结构化知识库和文本语料构建精准查询，建立基于Wikidata-Wikipedia和合成电商知识库的基准测试，评估深度研究代理的检索与生成能力。

Comments 7 pages, 4 figures

Halo: Domain-Aware Query Optimization for Long-Context Question Answering

Halo：面向长上下文问题回答的领域感知查询优化

Pramod Chunduri, Francisco Romero, Ali Payani, Kexin Rong, Joy Arulraj

专题命中 知识库问答 ：RAG(abstract)；分类 cs.DB

AI总结 Halo通过自动提取领域知识并应用于多阶段查询流程，提升长上下文问题回答的准确性和效率，实验表明其在金融、文献和科学数据集上准确率提升13%，成本降低4.8倍。

Context-Length Robustness in Question Answering Models: A Comparative Empirical Study

问答模型中的上下文长度鲁棒性：一项比较实证研究

Trishita Dhara, Siddhesh Sheth

机构 * Upper Hand ； Ace Rent a Car 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 研究通过SQuAD和HotpotQA基准评估问答模型在上下文长度变化下的鲁棒性，发现多跳推理任务比单跨度提取任务更易受上下文稀释影响。

Comments Accepted for Oral Presentation at Math AI 2026 conference

Decomposition-Driven Multi-Table Retrieval and Reasoning for Numerical Question Answering

基于分解的多表检索与推理用于数值问题回答

Feng Luo, Hai Lan, Hui Luo, Zhifeng Bao, Xiaoli Wang, J. Shane Culpepper, Shazia Sadiq

专题命中 知识库问答 ：retriever(abstract)；分类 cs.DB

AI总结 本文提出DMRAL框架，通过构建表关系图和子问题引导推理器，有效解决大规模表集合中的多表检索与推理问题，提升答案准确性。

Comments This is the technical report for the ICDE 2026 paper

AnalyticsGPT: An LLM Workflow for Scientometric Question Answering

AnalyticsGPT: 一个基于大语言模型的科学度量问答工作流

Khang Ly, Georgios Cheirmpos, Adrian Raudaschl, Christopher James, Seyed Amin Tabatabaei

机构 * Elsevier B.V.（埃塞尔弗斯有限公司） 纠错

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

AI总结 AnalyticsGPT通过LLM实现科学度量问答，结合检索增强生成和代理概念，提升科学数据分析效率。

Reliability by design: quantifying and eliminating fabrication risk in LLMs. From generative to consultative AI: a comparative analysis in the legal domain and lessons for high-stakes knowledge bases

可靠性设计：量化并消除大语言模型中的制造风险。从生成式到咨询式AI：法律领域中的比较分析及对高风险知识库的启示

Alex Dantart

机构 * Humanizing Internet 纠错

专题命中 知识库问答 ：RAG(abstract)；分类 cs.AI

AI总结 本文提出通过减少幻觉提升大语言模型在法律领域的可靠性，引入两种可靠性指标，并展示先进的 RAG 系统有效降低伪造事实率。

Context-Picker: Dynamic context selection using multi-stage reinforcement learning

Context-Picker: 基于多阶段强化学习的动态上下文选择

Siyuan Zhu, Chengdong Xu, Kaiqiang Ke, Chao Yu

机构 * Sun Yat-sen University（中山大学） 纠错

专题命中 知识库问答 ：RAG(abstract)；分类 cs.AI

AI总结 Context-Picker通过多阶段强化学习动态选择上下文，提升长上下文问答的准确率和效率。

Activation-Space Anchored Access Control for Multi-Class Permission Reasoning in Large Language Models

基于激活空间锚定的多类权限推理访问控制

Zhaopeng Zhang, Pengcheng Sun, Lan Zhang, Chen Tang, Jiewei Lai, Yunhao Wang, Hui Jin

机构 * University of Science and Technology of China（中国科学技术大学） ； Lenovo Research（联想研究院） 纠错

专题命中 知识库问答 ：knowledge retrieval(abstract)；分类 cs.CL

AI总结 本文提出AAAC框架，通过激活空间锚点实现多类权限控制，有效降低权限违规和攻击成功率。