RAG / 检索增强生成

MolE-RAG: Molecular Structure-Enhanced Retrieval-Augmented Generation for Chemistry

MolE-RAG：面向化学的分子结构增强检索增强生成

Joey Chan, Wonbin Kweon, Ashley Shin, Niharika Bhattacharjee, Pengcheng Jiang, Yue Guo, Jiawei Han

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

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

AI总结 提出无需训练的分子中心检索增强生成框架MolE-RAG，通过整合检索文献、分子特定信息和结构相似分子三种上下文，显著提升LLM在分子性质预测任务中的性能。

Doctor-RAG: A Failure-Aware Repair Framework for Agentic Retrieval-Augmented Generation

Doctor-RAG：面向智能检索增强生成的故障感知修复框架

Shuguang Jiao, Chengkai Huang, Shuhan Qi, Xuan Wang, Yifan Li, Quanchi Weng, Lingchuan Liu, Xunliang Cai, Lina Yao

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

AI总结 提出Doctor-RAG框架，通过显式错误定位和前缀复用，在智能RAG中实现高效诊断与局部修复，显著提升多跳问答准确率。

CQC-RAG: Robust Retrieval-Augmented Generation via Cross-Query Consistency

CQC-RAG: 通过跨查询一致性实现鲁棒的检索增强生成

Yanjia Sun, Sifan Liu, Jie Shao

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

AI总结 提出CQC-RAG框架，通过生成语义等价但句法多样的查询，并基于跨查询一致性评估答案置信度稳定性，有效过滤噪声诱导的幻觉，在开放域问答任务上显著提升性能。

X-MADAM-RAG: Diagnosing and Handling Chinese-English Evidence Conflict in Retrieval-Augmented Generation

X-MADAM-RAG：诊断和处理检索增强生成中的中英文证据冲突

Yongqi Kang, Yu Fu, Yong Zhao

机构 * Sichuan University（四川大学） 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

AI总结 提出X-MADAM-RAG管道，通过分解证据处理步骤（候选提取、可见证据修复、确定性分组和冲突感知聚合）解决RAG中中英文证据冲突问题，在受控基准上取得高准确率，但发现文档级提取是主要瓶颈。

IA-RAG: Interval-Algebra-Driven Temporal Reasoning for Dynamic Knowledge Retrieval

IA-RAG：基于区间代数的动态知识检索时间推理

Xiaoman Wang, Yaoze Zhang, Wenzhuo Fan, Hongwei Zhang, Ding Wang, Guohang Yan, Song Mao, Botian Shi, Yunshi Lan, Pinlong Cai

机构 * East China Normal University（华东师范大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Shanghai for Science and Technology（上海科技大学） ； Harbin Engineering University（哈尔滨工程大学） 纠错

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

AI总结 提出IA-RAG框架，通过区间代数建模时间约束，实现层次化时间检索与推理，在复杂时间问答任务上表现优异。

Comments 22 pages, 10 figures, 13 tables. Code available at https://github.com/xiaoAugenstern/LogicalRAG_TemporalQA

From Norms to Indicators (N2I-RAG): An Agentic Retrieval-Augmented Generation Framework for Legal Indicator Computation

从规范到指标 (N2I-RAG): 一种用于法律指标计算的智能检索增强生成框架

Youssef Al Mouatamid, Marie Bonnin, Jihad Zahir

机构 * LISI Laboratory（LISI实验室） ； Cadi Ayyad University（卡迪·阿亚德大学） ； Univ Brest（布列塔尼大学） ； IRD, Univ Brest, CNRS, Ifremer, LEMAR（IRD、布列塔尼大学、CNRS、Ifremer、LEMAR） 纠错

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

AI总结 提出N2I-RAG框架，通过自适应检索、基于LLM的智能体和验证机制，实现从法律文本到指标的透明、可追溯的自动计算，在法国海洋环境法语料库上优于基线方法。

LAST-RAG: Literature-Anchored Stochastic Trajectory Retrieval-Augmented Generation for Knowledge-Conditioned Degradation Model Selection

LAST-RAG：文献锚定的随机轨迹检索增强生成用于知识条件退化模型选择

Hanbyeol Park, Hyerim Bae

机构 * Department of Industrial Engineering（工业工程系） ； Pusan National University（釜山国立大学） 纠错

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

AI总结 本文提出LAST-RAG方法，通过结合观测健康指标轨迹和领域特定上下文，利用理论和机械证据从本地证据库中检索，以改进退化模型选择，将模型选择从纯统计拟合问题转变为结合观测数据和领域知识的决策问题。

Deepchecks: Evaluating Retrieval-Augmented Generation (RAG)

Deepchecks: 评估检索增强生成（RAG）

Assaf Gerner, Netta Madvil, Nadav Barak, Alex Zaikman, Jonatan Liberman, Liron Hamra, Rotem Brazilay, Shay Tsadok, Yaron Friedman, Neal Harow, Noam Bresler, Shir Chorev, Philip Tannor, Lior Rokach

机构 * Deepchecks, Ramat Gan, Israel（深检查，以色列拉马特甘） ； Ben-Gurion University, Beer Sheva, Israel（本· Gurion大学，以色列贝尔谢巴） 纠错

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

AI总结 本文提出Deepchecks框架，用于评估RAG系统，通过多维方法和根本原因分析，提升系统可靠性、相关性和用户满意度。

Differentially Private Synthetic Text Generation for Retrieval-Augmented Generation (RAG)

差分隐私合成文本生成用于检索增强生成（RAG）

Junki Mori, Kazuya Kakizaki, Taiki Miyagawa, Jun Sakuma

机构 * NEC Corporation（日本电报电话公司） ； Institute of Science Tokyo（东京科学研究院） ； RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心） 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

AI总结 本文提出DP-SynRAG框架，通过生成差分隐私合成RAG数据库提升隐私保护下的RAG性能，避免重复噪声注入并保持固定隐私预算。

Comments Accepted to ACL 2026 Findings

MASS-RAG: Multi-Agent Synthesis Retrieval-Augmented Generation

MASS-RAG：多代理合成检索增强生成

Xingchen Xiao, Heyan Huang, Runheng Liu, Jincheng Xie

机构 * School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院） ； Department of Mathematical Sciences, Tsinghua University（清华大学数学科学系） 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

AI总结 MASS-RAG通过多代理结构处理证据，提升检索增强生成在噪声、不完整或异质证据下的表现，实验显示其在相关证据分散于检索结果时性能更优。

Comments ACL 2026 Findings, 19 pages

Stable-RAG: Mitigating Retrieval-Permutation-Induced Hallucinations in Retrieval-Augmented Generation

Stable-RAG：缓解检索排列引起的幻觉

Qianchi Zhang, Hainan Zhang, Liang Pang, Hongwei Zheng, Zhiming Zheng

机构 * Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing（北京未来区块链与隐私计算先进创新中心） ； School of Artificial Intelligence, Beihang University（北航人工智能学院） ； Beijing Academy of Blockchain and Edge Computing（北京区块链与边缘计算研究院） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） 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

AI总结 Stable-RAG通过利用检索排列敏感性估计，缓解检索排列引起的幻觉，提升问答准确性与一致性。

Comments Accepted to ACL 2026 Main

Transforming LLMs into Efficient Cross-Encoders via Knowledge Distillation for RAG Reranking

通过知识蒸馏将语言模型转换为高效的交叉编码器用于RAG重排

Shreeya Dasa Lakshminath, Shubhan S

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

AI总结 研究针对交叉编码器推理成本高的问题，通过两阶段管道微调LLaMA 3为RAG重排器，先监督微调后4位量化，在特定领域问答基准上评估，相比交叉编码器基线有多项性能提升且降低推理开销。

Comments 6 pages, 4 figures. This work was completed in 2024

Fail-RAG : A Retrieval Augmented Generation Informed Framework for Robot Failure Identification

Fail-RAG：一种基于检索增强生成的机器人故障识别框架

Ameya Salvi, Jie Hu

机构 * Hitachi America, Ltd.（日立美国有限公司） 纠错

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

AI总结 提出Fail-RAG框架，利用检索增强生成和视觉语言模型，通过嵌入故障图像和上下文信息并查询数据库，实现机器人操作故障的高效检测，在仓库自动化任务中平均检测准确率提升25个百分点。

ragR: Retrieval-Augmented Generation and RAG Assessment in R

ragR: R中检索增强生成与RAG评估

Muhammad Aimal Rehman, Zhili Lu, Chi-Kuang Yeh

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

AI总结 ragR是首个在R中集成RAG系统构建与评估的框架，提供文档处理、嵌入存储、相似性检索、生成及RAGAS评估功能，支持四种核心指标评估。

Comments Preprint. Code available at the GitHub repository listed in the paper

Sifei at SemEval-2026 Task 8: Hybrid Retrieval and Query Rewriting for Multi-Turn RAG

Sifei at SemEval-2026 Task 8: 面向多轮RAG的混合检索与查询重写

Sifei Meng, Dmitry Ilvovsky

机构 * Faculty of Computer Science HSE University（计算机科学系 高等经济大学） 纠错

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

AI总结 提出无训练混合检索流水线，结合稠密与稀疏检索、查询重写和交叉编码器重排序，在Task A上nDCG@5达0.5453排名第三，Task C上相关性与忠实性调和均值0.5312排名第十五。

Comments Accepted to SemEval-2026 Task 8 (MTRAGEval), co-located with ACL 2026. Camera-ready version. Code: https://github.com/mengsifei/Multi_turn_RAG

BM25 Wins at Scale: A Scaling Study of Retrieval-Augmented Generation Paradigms

哪种RAG范式在规模化场景下表现最优？检索增强生成范式的规模化研究

Pengyu Wang, Benfeng Xu, Shaohan Wang, Mingxuan Du, Xin Zeng, Huarui Wu, Lei Zhang, Licheng Zhang

机构 * University of Science and Technology of China（中国科学技术大学） ； Metastone Technology（Metastone科技） ； Information Technology Research Center, Beijing Academy of Agriculture and Forestry Sciences（北京农林科学院信息技术研究中心） 纠错

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

AI总结 本文通过28个嵌套语料层级的受控研究，对比四类RAG范式的规模化表现，发现BM25综合性能最优，Agent+BM25全规模准确率达69.4，图基RAG存在构建瓶颈。

Efficient RAG with Intent-Aware Retrieval and Semantics-Preserving Chunking

基于意图感知检索与语义保持分块的高效RAG

Fachrina Dewi Puspitasari, Chaoning Zhang, Jiaquan Zhang, Zhicheng Wang, Hafiz Shakeel Ahmad Awan, Rizwan Qureshi, Jewon Lee, Tae-Ho Kim, Yang Yang

机构 * School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； Massachusetts General Hospital, Harvard University（哈佛大学马萨诸塞州总医院） ； Nota AI 纠错

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

AI总结 提出InSemRAG框架，通过意图感知检索器和语义保持分块模块，结合迭代检索-检查机制，解决传统RAG的信息不足问题，在多跳和证据敏感任务上取得显著提升。

Evaluating Multi-Hop Reasoning in RAG Systems: A Comparison of LLM-Based Retriever Evaluation Strategies

评估基于检索增强生成系统的多跳推理：LLM检索评估策略的比较

Lorenz Brehme, Thomas Ströhle, Ruth Breu

机构 * Universität Innsbruck（因斯布鲁克大学） 纠错

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

AI总结 本文通过对比三种LLM评估策略，提出上下文感知检索评估（CARE），证明其在提升RAG系统多跳推理能力方面效果显著，尤其在参数多和上下文长的模型中表现更优。

Comments 15 Pages, Accepted for publication at the SynIRgy Workshop, ECIR 2026 (48th European Conference on Information Retrieval)

RAG-Stack: Co-Optimizing RAG Serving Performance and Quality

RAG-Stack：协同优化RAG服务性能与质量

Haiqiang Zhang, Yuanqing Lei, Wanting Li, Tao Zhang, Wenqi Jiang

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

AI总结 RAG-Stack是可高效发现RAG质量-性能帕累托前沿的框架，其含三个核心组件，在相同优化迭代下，该框架发现的帕累托前沿覆盖的归一化质量-性能空间比最先进方法多52.5%-153.2%。

Higress-RAG: A Holistic Optimization Framework for Enterprise Retrieval-Augmented Generation via Dual Hybrid Retrieval, Adaptive Routing, and CRAG

Higress-RAG：一种通过双混合检索、自适应路由和CRAG实现企业检索增强生成的综合优化框架

Weixi Lin

机构 * School of Computer Science, Northwestern Polytechnical University（计算机学院，西北工业大学） 纠错

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

AI总结 Higress-RAG通过双混合检索、自适应路由和CRAG实现企业检索增强生成的综合优化，提升检索精度与生成可靠性。

Comments 7 pages,5 figures, our submissions are not yet published

DisarmRAG: Stealthy Retriever-Centric Poisoning to Disable Self-Correction in Retrieval-Augmented Generation (Extended Version)

DisarmRAG：以检索器为中心的隐秘中毒攻击，以禁用检索增强生成中的自我纠正（扩展版）

Yanbo Dai, Zhenlan Ji, Zongjie Li, Kuan Li, Shuai Wang

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

AI总结 研究针对实际部署中LLMs自我纠正能力削弱RAG攻击效果的问题，提出DisarmRAG这一专注检索器的新型中毒范式，构建含迭代协同优化与对比学习技术的攻击框架，经多模型和基准测试验证其有效性及隐秘性。

Comments This paper is an extended version of our original paper accepted by ACM CCS 2026

Benchmarking Google Embeddings 2 against Open-Source Models for Multilingual Dense Retrieval and RAG Systems

Google Embeddings 2 与开源模型在多语言稠密检索和 RAG 系统中的基准测试

Stefano Cirillo, Domenico Desiato, Giuseppe Polese, Giandomenico Solimando

机构 * University of Salerno（萨勒诺大学） ； University of Bari（巴里大学） 纠错

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

AI总结 通过对比 Google Embeddings 2 与五个开源模型在 BEIR 子集、合成意大利语 RAG 语料库和分块消融实验上的表现，发现 GE2 在所有任务上排名第一但延迟高，而 mE5-L 在延迟敏感场景下是优选，LaBSE 表现最差，且所有模型在 32 令牌分块时性能饱和。

Comments 9 pages, 2 figures, 5 tables. Text and evaluation code available at https://github.com/cciro94/GoogleEmbeddings2-benchmark

RAG-HAR: Retrieval Augmented Generation-based Human Activity Recognition

RAG-HAR：基于检索增强生成的人类活动识别

Nirhoshan Sivaroopan, Hansi Karunarathna, Chamara Madarasingha, Anura Jayasumana, Kanchana Thilakarathna

机构 * University of Sydney Australia（悉尼大学澳大利亚分校） ； University of Sri Jayewardenepura Sri Lanka（Sri Jayewardenepura大学 Sri Lanka） ； Curtin University Australia（Curtin大学澳大利亚分校） ； Colorado State University USA（科罗拉多州立大学美国分校） 纠错

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

AI总结 RAG-HAR提出一种无需训练的检索增强框架，利用大语言模型实现人类活动识别，通过轻量统计描述符和语义相似样本检索提升识别准确性和实用性。

Comments Accepted to IEEE PerCom 2026 (Pervasive computing and communications)

A Hybrid Retrieval and Reranking Framework for Evidence-Grounded Retrieval-Augmented Generation

一种混合检索与重排序框架用于证据导向的检索增强生成

Fariba Afrin Irany, Sampson Akwafuo

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

AI总结 本文提出一种混合检索与重排序框架，用于生物医学和医疗相关文档问答中的引用感知RAG，通过亚马逊Bedrock知识库进行文档处理，并通过Cohere重排序提升相关性，最终实现高准确率的证据基础生成。

When Should Multi-Round RAG Stop? Structured Stopping Judgments and Retrieval Reduction in Search-R1

多轮检索增强生成（RAG）应何时停止？Search-R1中的结构化停止判断与检索减少

Weimeng Luo

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

AI总结 本研究针对多轮RAG的停止判断问题，将S2G-RAG的结构化判断适配到Search-R1，训练Qwen3.5-2B判断器，可减少约3.70%检索调用且仅小幅降低答案准确率。

Comments 16 pages, 3 figures. Code: https://github.com/luobostorm/search-r1-s2g-stopping

Theory-Guided Deception Detection: A RAG-Based Artificial Intelligence Exploration

理论引导的欺骗检测：基于检索增强生成（RAG）的人工智能探索

David M. Markowitz, Timothy R. Levine

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

AI总结 该研究基于欺骗理论开发7个RAG模型，对比4个大语言模型与基线模型的欺骗判断，发现RAG模型反应偏差更低但准确率无显著差异，理论引导AI判断当前参数下不可靠，优化后或有潜力。

Hierarchical Reranking for Scalable Financial RAG System

面向可扩展金融RAG系统的分层重排序

Joohyun Lee, Sungwoo Hong

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

AI总结 该研究针对现有RAG系统处理金融文档时的结构与规模难题，提出含三项创新的分层重排序器框架，在多金融基准测试中表现优异，获ACM-ICAIF '24金融RAG挑战赛第二名，可提升金融推理的准确性与可扩展性。

Comments 8 pages, 1 figure, 3 tables. Accepted at FinLLM @ IJCAI-ECAI 2026

CDS4RAG: Cyclic Dual-Sequential Hyperparameter Optimization for RAG

CDS4RAG：基于循环双序列的RAG超参数优化

Pengzhou Chen, Tao Chen

机构 * School of Computer Science and Engineering, UESTC, Chengdu, China（电子科技大学计算机科学与工程学院，成都，中国） ； IDEAS Lab, University of Birmingham, Birmingham, UK（伯明翰大学IDEAS实验室，英国布里斯托尔） 纠错

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

AI总结 本文提出CDS4RAG框架，通过循环双序列方法优化RAG的全部超参数，提升检索生成性能，实验显示在24种情况下均优于现有算法。

Comments Accepted by main track at IJCAI 2026

Less LLM, More Documents: Searching for Improved RAG

少用大模型，多用文档：寻找改进RAG的方法

Jingjie Ning, Yibo Kong, Yunfan Long, Jamie Callan

机构 * School of Computer Science, Carnegie Mellon University（计算机科学系，卡内基梅隆大学） 纠错

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

AI总结 本文研究了扩大检索器文档库对RAG性能的影响，发现增大文档库可提升性能，甚至在某些情况下优于使用更大模型，但存在边际效益递减的问题。

Comments Proceeding Version of ECIR 2026. In: Campos, R., et al. Advances in Information Retrieval. ECIR 2026

RAG-Reflect: Agentic Retrieval-Augmented Generation with Reflections for Comment-Driven Code Maintenance on Stack Overflow

RAG-Reflect：基于反思的代理检索增强生成用于Stack Overflow的评论驱动代码维护

Mehedi Hasan Shanto, Muhammad Asaduzzaman, Alioune Ngom

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

AI总结 本文提出RAG-Reflect框架，通过检索增强推理和自我反思机制，实现精确的评论-编辑预测，提升代码维护效率。

Comments 27 pages, submitted to the TOSEM