RAG / 检索增强生成

QuIM-RAG: Advancing Retrieval-Augmented Generation with Inverted Question Matching for Enhanced QA Performance

Binita Saha, Utsha Saha, Muhammad Zubair Malik

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

Journal ref in IEEE Access, vol. 12, pp. 185401-185410, 2024

RE-RAG: Improving Open-Domain QA Performance and Interpretability with Relevance Estimator in Retrieval-Augmented Generation

Kiseung Kim, Jay-Yoon Lee

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

MKRAG: Medical Knowledge Retrieval Augmented Generation for Medical Question Answering

Yucheng Shi, Shaochen Xu, Tianze Yang, Zhengliang Liu, Tianming Liu, Quanzheng Li, Xiang Li, Ninghao Liu

专题命中 知识库问答 ：retrieval augmented generation(title,abstract)；knowledge retrieval(title)；RAG(abstract)；分类 cs.CL、cs.AI

Comments Accepted by AMIA 2024 Annual Symposium

RAGSieve: Self-Referenced Local Contrast for Knowledge-Poison Detection in Retrieval-Augmented Generation

RAGSieve：用于检索增强生成中知识投毒检测的自参考局部对比方法

Xinlong Xu, Yoshua Y. Li

机构 * Nanjing University of Information Science and Technology（南京信息工程大学） ； Meituan（美团） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(title,abstract)；RAG(summary_cn,abstract_cn)；分类 cs.IR、cs.CL

AI总结 本研究提出RAGSieve框架，含RSQ与RSG两种局部对比方法，在多QA数据集和投毒构造上实现优异检测性能，联合部署可显著降低RAG攻击成功率且保留部分未投毒检索性能。

Reducing Hallucinations in Complex Question Answering using Simple Graph-based Retrieval-Augmented Generation (long version)

减少复杂问答中的幻觉：使用基于简单图的检索增强生成（长版）

Christopher J. Wedge, Joshua Stutter, Danny Dixon, Jacek Cała

机构 * National Innovation Centre for Data（数据创新研究中心） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(title,abstract)；RAG(abstract,abstract_cn)；vector search(abstract)；分类 cs.CL、cs.AI

AI总结 本研究提出一种轻量级图结构支持的检索增强生成系统，通过结合向量搜索和图查询工具，在复杂问答任务中将幻觉答案数量减半，并显著提升事实正确性的精确率和召回率。

Comments 25 pages; expanded limitations section, corrected typos throughout and missing values in appendix table 1

DocNavRAG: Document-Structured Graph RAG with Stateful Evidence Construction for Complex Document Question Answering

DocNavRAG：面向复杂文档问答的、具有状态化证据构建能力的文档结构化图RAG

Dongyang Xie, Yao Tian, Hao Zhang, Yifei Yuan, Tieyun Qian, Ming Zhong, Jiawei Jiang, Yuanyuan Zhu

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Chinese University of Hong Kong（香港中文大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 本文提出DocNavRAG，将文档结构组织为可导航图并维护证据状态，在四个文档QA基准上，相比最强基线平均提升答案质量7.8%、上下文充分性17.7%。

Comments 19 pages, 5 figures, 16 tables

CanLegalRAGBench: Evaluating Retrieval-Augmented Generation on Canadian Case Law

CanLegalRAGBench：评估加拿大判例法上的检索增强生成

Ethan Zhao, Maksym Taranukhin, Wei Cui, Moira Aikenhead, Vered Shwartz

机构 * Department of Computer Science, University of British Columbia（不列颠哥伦比亚大学计算机科学系） ； Vector Institute（向量研究所） ； CIFAR AI Chair Peter A. Allard School of Law, University of British Columbia（不列颠哥伦比亚大学彼得·A·艾尔德法学院） 纠错

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

AI总结 针对法律RAG系统中幻觉问题及加拿大法律评估不足，提出基于真实查询和专家标注的加拿大法律QA基准CanLegalRAGBench，发现检索性能受设计选择影响、开源嵌入模型与闭源模型竞争力相当，但自动评估存在局限且生成答案常偏离黄金标准。

ChatQA: Surpassing GPT-4 on Conversational QA and RAG

Zihan Liu, Wei Ping, Rajarshi Roy, Peng Xu, Chankyu Lee, Mohammad Shoeybi, Bryan Catanzaro

专题命中 知识库问答 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；retriever(abstract)；分类 cs.IR、cs.CL、cs.AI

Comments Accepted at NeurIPS 2024

HiQA: A Hierarchical Contextual Augmentation RAG for Multi-Documents QA

HiQA：一种用于多文档问答的分层上下文增强检索与生成模型

Xinyue Chen, Pengyu Gao, Jiangjiang Song, Xiaoyang Tan

机构 * Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Southeast University（东南大学） ； Hello World(Shanghai) Technology Co., Ltd.（Hello World（上海）科技有限公司） 纠错

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

AI总结 针对检索增强生成在多文档问答中面对大量相似文档时检索准确性有限的问题，提出HiQA框架，它集成级联元数据与多路径检索机制，还发布MasQA基准，在多文档环境中展现了最优性能。

Covering the Unseen: Information Demand Coverage Optimization for Retrieval-Augmented Generation

覆盖未见：面向检索增强生成的信息需求覆盖优化

Bingxue Zhang, Jianying Jia, Feida Zhu

专题命中 知识库问答 ：retrieval-augmented generation(title,abstract)；RAG(abstract,abstract_cn)；分类 cs.IR、cs.AI

AI总结 针对复杂查询中top-k选择忽略关键子问题的问题，提出GeoRAG，通过多维度需求分布和Sinkhorn-Wasserstein距离优化上下文选择，实现无监督、免训练且与检索无关的覆盖优化，在六个开放域QA基准上提升6.5-7.5个EM点。

Comments 12 pages, 5 figures, 13 tables

To Isolate or to Score? Model-Adaptive Assessment for Cost-Efficient Multi-Agent RAG

隔离还是评分？面向成本高效的多智能体RAG的模型自适应评估

Jungseob Lee, Chanjun Park, Heuiseok Lim

机构 * Korea University（高丽大学） ； Soongsil University（崇实大学） 纠错

专题命中 知识库问答 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 针对多智能体文档评估中计算成本高的问题，研究训练无关干预方法，发现弱基线模型受益于文档隔离而非评分，强基线模型则依赖评分质量，提出MADARA模型自适应路由架构，实现零样本泛化并降低计算开销。

Comments 23 pages, 2 figures, 19 tables. Code: https://github.com/js-lee-AI/MADARA

UR$^2$: Unify RAG and Reasoning through Reinforcement Learning

UR$^2$：通过强化学习统一检索增强生成与推理

Weitao Li, Boran Xiang, Xiaolong Wang, Zhinan Gou, Weizhi Ma, Yang Liu

机构 * Dept. of Comp. Sci. & Tech., Institute for AI, Tsinghua University, Beijing, China（计算机科学与技术系，人工智能研究院，清华大学，北京，中国） ； Institute for AI Industry Research (AIR), Tsinghua University, Beijing, China（人工智能产业研究机构（AIR），清华大学，北京，中国） ； School of Management Science & Information Engineering, Hebei University of Economics and Business, Hebei, China（管理科学与信息工程学院，河北经贸大学，河北，中国） 纠错

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

AI总结 提出UR$^2$框架，通过强化学习动态协调检索与推理，结合难度感知课程和混合知识访问策略，在开放域问答、MMLU-Pro、医学和数学推理任务上优于现有基线，性能接近GPT-4o-mini和GPT-4.1-mini。

BalanceRAG: Joint Risk Calibration for Cascaded Retrieval-Augmented Generation

BalanceRAG: 为级联检索增强生成进行联合风险校准

Zijun Jia, Yuanchang Ye, Sen Jia, Yiyao Qian, Haoning Wang, Baojie Chen, Diyin Tang, Jinsong Yu, Zhiyuan Wang

机构 * Beihang University（北航） ； Shenzhen Institute of Advanced Technology（深圳先进技术研究院） ； Zhejiang University of Finance & Economics（浙江财经大学） ； University of Electronic Science and Technology of China（电子科技大学） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(title,abstract)；RAG(abstract,abstract_cn)；分类 cs.CL、cs.AI

AI总结 本文提出BalanceRAG，一种用于级联检索增强生成的联合风险校准方法，通过在二维晶格上确定安全操作点，实现风险自适应的阈值校准，从而在控制系统级错误率的同时保留更多示例，并扩展到多风险校准。

GRADE: Generating multi-hop QA and fine-gRAined Difficulty matrix for RAG Evaluation

GRADE: 生成多跳问答和细粒度难度矩阵用于RAG评估

Jeongsoo Lee, Daeyong Kwon, Kyohoon Jin

机构 * DATUMO ； Graduate School of Culture Technology, KAIST（文化科技研究生院，韩国科学技术院） 纠错

专题命中 知识库问答 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；retriever(abstract)；分类 cs.CL、cs.AI

AI总结 GRADE提出了一种新的RAG评估框架，通过多跳问答和细粒度难度矩阵来评估和改进多步推理能力。

Comments Accepted at EMNLP 2025 findings

VeritasFi: An Adaptable, Multi-tiered RAG Framework for Multi-modal Financial Question Answering

Zhenghan Tai, Hanwei Wu, Qingchen Hu, Jijun Chi, Hailin He, Lei Ding, Tung Sum Thomas Kwok, Bohuai Xiao, Yuchen Hua, Suyuchen Wang, Peng Lu, Muzhi Li, Yihong Wu, Liheng Ma, Jerry Huang, Jiayi Zhang, Gonghao Zhang, Chaolong Jiang, Jingrui Tian, Sicheng Lyu, Zeyu Li, Boyu Han, Fengran Mo, Xinyue Yu, Yufei Cui, Ling Zhou, Xinyu Wang

机构 * University of Toronto（多伦多大学） ； McMaster University（麦马斯特大学） ； McGill University（麦吉尔大学） ； University of Manitoba（曼尼托巴大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Montreal（蒙特利尔大学） ； Mila ； CUHK（香港中文大学） ； HKUST(GZ)（香港理工大学（广州）） ； Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； CG Matrix Technology Limited（CG矩阵科技有限公司） 纠错

专题命中 知识库问答 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；hybrid retrieval(abstract)；分类 cs.IR、cs.AI

FinSage: A Multi-aspect RAG System for Financial Filings Question Answering

Xinyu Wang, Jijun Chi, Zhenghan Tai, Tung Sum Thomas Kwok, Muzhi Li, Zhuhong Li, Hailin He, Yuchen Hua, Peng Lu, Suyuchen Wang, Yihong Wu, Jerry Huang, Jingrui Tian, Fengran Mo, Yufei Cui, Ling Zhou

机构 * 1SimpleWay.AI 2McGill University 3University of Toronto 4University of California, Los Angeles 5The Chinese University of Hong Kong 6Duke University 7Universit\'e de Montr\'eal 8Mila - Quebec AI Institute 9Noah's Ark Lab 10CG Matrix Technology Limited ； 1SimpleWay.AI 2McGill University 3University of Toronto 4University of California, Los Angeles ； 5The Chinese University of Hong Kong 6Duke University 7Universit\'e de Montr\'eal 8Mila - Quebec AI Institute ； 9Noah's Ark Lab 10CG Matrix Technology Limited 纠错

专题命中 知识库问答 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；dense retrieval(abstract)；分类 cs.IR、cs.AI

Comments Accepted at the 34th ACM International Conference on Information and Knowledge Management (CIKM2025)

A Multi-Source Retrieval Question Answering Framework Based on RAG

Ridong Wu, Shuhong Chen, Xiangbiao Su, Yuankai Zhu, Yifei Liao, Jianming Wu

专题命中 知识库问答 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；knowledge retrieval(abstract)；分类 cs.IR、cs.AI

Comments 4 pages,3 figures

AILQA: Evaluating AI-Driven Legal Question Answering Systems for the Indian Legal System

AILQA：评估适用于印度法律体系的人工智能驱动的法律问答系统

Shubham Kumar Nigam, Shubham Kumar Mishra, Noel Shallum, Kripabandhu Ghosh, Arnab Bhattacharya

机构 * Indian Institute of Technology（印度理工学院） ； Symbiosis Law School（共生法学院） ； Indian Institute of Science Education and Research（印度科学教育与研究学院） ； University of Birmingham（伯明翰大学） 纠错

专题命中 知识库问答 ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 该研究针对印度法律体系开发AILQA系统，利用多种模型应对挑战，通过严格评估强调RAG范式提升答案质量，评估其在标准化测试中的表现，讨论挑战并给出未来研究方向，为增强法律决策支持系统助力。

Comments Accepted in AI and Law Journal

FARSIQA: Faithful and Advanced RAG System for Islamic Question Answering

Mohammad Aghajani Asl, Behrooz Minaei Bidgoli

专题命中 知识库问答 ：RAG(title,abstract)；retrieval-augmented generation(abstract,comments)；分类 cs.IR、cs.CL、cs.AI

Comments 37 pages, 5 figures, 10 tables. Keywords: Retrieval-Augmented Generation (RAG), Question Answering (QA), Islamic Knowledge Base, Faithful AI, Persian NLP, Multi-hop Reasoning, Large Language Models (LLMs)

PathRouter: Aligning Rewards with Retrieval Quality in Agentic Graph Retrieval-Augmented Generation

PathRouter: 在智能体图检索增强生成中对齐奖励与检索质量

Bo Wang, Heyan Huang, Yaolin Li, Wei Tang, Yuan Zhang, Wenbo Li, Mingze Gao, Ge Shi, Chong Feng

机构 * Beijing Institute of Technology（北京理工大学） ； Joy Future Academy（京东探索研究院） 纠错

专题命中 知识库问答 ：RAG(summary_cn,abstract_cn)；retrieval-augmented generation(title)；分类 cs.CL

AI总结 针对智能体图RAG中答案路径奖励混淆和搜索更新模糊问题，提出PathRouter框架，通过路径感知训练联合评估答案正确性与证据路径重叠，并引入冻结金证据教师提供token级KL指导，在六个QA基准上显著提升F1和证据路径重叠。

Retrieval is Cheap, Show Me the Code: Executable Multi-Hop Reasoning for Retrieval-Augmented Generation

检索成本低廉，展示代码：可执行多跳推理的检索增强生成

Jiashuo Sun, Jimeng Shi, Yixuan Xie, Saizhuo Wang, Jash Rajesh Parekh, Pengcheng Jiang, Zhiyi Shi, Jiajun Fan, Qinglong Zheng, Peiran Li, Shaowen Wang, Ge Liu, Jiawei Han

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； Texas A&M University（德克萨斯农工大学） 纠错

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

AI总结 本文提出PyRAG框架，将多跳检索增强生成转化为程序合成与执行，通过可执行Python代码实现可调试的推理过程，提升多跳问答性能。

Comments 32 pages, 20 figures, 4 tables

RAGentA: Multi-Agent Retrieval-Augmented Generation for Attributed Question Answering

Ines Besrour, Jingbo He, Tobias Schreieder, Michael Färber

专题命中 知识库问答 ：retrieval-augmented generation(title,abstract)；RAG(abstract)；hybrid retrieval(abstract)；分类 cs.IR

Comments Accepted at SIGIR 2025

Token-Level Precise Attack on RAG: Searching for the Best Alternatives to Mislead Generation

Zizhong Li, Haopeng Zhang, Jiawei Zhang

机构 * University of California, Davis（加州大学戴维斯分校） ； University of Hawaii at Mānoa（夏威夷大学马诺阿分校） 纠错

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

From RAG to QA-RAG: Integrating Generative AI for Pharmaceutical Regulatory Compliance Process

Jaewoong Kim, Moohong Min

专题命中 知识库问答 ：RAG(title,abstract)；retrieval augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI

Comments Total number of pages: 9. Total number of figures: 2. For the source code and experimental results of this paper, see https://github.com/jwoongkim11/QA-RAG. For the dataset used in training and evaluating the model, see https://huggingface.co/datasets/Jaymax/FDA Pharmaceuticals FAQ

CF-RAG: A Dataset and Method for Carbon Footprint QA Using Retrieval-Augmented Generation

Kaiwen Zhao, Bharathan Balaji, Stephen Lee

机构 * University of Pittsburgh（匹兹堡大学） ； Amazon（亚马逊） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(title)；RAG(title)；分类 cs.CL、cs.AI

Language-Routed RAG and Direct Option Scoring for Multilingual Financial QA: DS@GT at FinMMEval

用于多语言金融问答的语言路由RAG和直接选项评分：FinMMEval上的DS@GT

Justice Ayela, Kabir Sahni

专题命中 知识库问答 ：RAG(title,title_cn)；分类 cs.IR、cs.CL、cs.AI

AI总结 该研究针对多语言金融问答基准FinMMEval 2026任务1，构建基于LangGraph的检索增强管道，用RADS评分，通过加权倒数排名融合低资源语言索引，采用语言路由选择模型，揭示语言感知检索等对多语言金融推理的重要性。

Comments Accepted for publication in the CLEF 2026 Working Notes. 15 pages, 3 figures

AstroRAG -- A Pagerank-Based Retrieval-Augmented Generation Pipeline for Question Answering in Astronomy

AstroRAG -- 一种基于PageRank的检索增强生成管道用于天文学问答

Zhifeng Wang, Jason Jingshi Li, Kaihao Zhang, Ramesh Sankaranarayana

机构 * Australian National University（澳大利亚国立大学） ； Learning Machines Pty Ltd 纠错

专题命中 知识库问答 ：retrieval-augmented generation(title,abstract)；RAG(abstract,abstract_cn)

AI总结 提出AstroRAG，一种基于PageRank的检索增强生成管道，通过两阶段检索（MMR和PR重排序）在严格token预算下选择紧凑互支持的上下文，无需训练且保护隐私，在天文学QA基准上使Mistral-7B准确率和F1分数达到79.49%，性能近乎翻倍。

Comments Accepted to IEEE CAI 2026

Comprehensive Comparison of RAG Methods Across Multi-Domain Conversational QA

跨多领域对话问答中RAG方法的全面比较

Klejda Alushi, Jan Strich, Chris Biemann, Martin Semmann

机构 * Hub of Computing and Data Science (HCDS) University of Hamburg（计算与数据科学中心（HCDS）乌姆斯大学） 纠错

专题命中 知识库问答 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 本文通过跨多领域对话问答数据集的全面比较，发现简单策略在多轮对话中表现更优，而复杂方法未必有效，强调检索策略与数据集结构的匹配至关重要。

Comments Accepted to EACL SRW 26

AdaGReS:Adaptive Greedy Context Selection via Redundancy-Aware Scoring for Token-Budgeted RAG

AdaGReS:基于冗余感知评分的自适应贪心上下文选择用于带有令牌预算的RAG

Chao Peng, Bin Wang, Zhilei Long, Jinfang Sheng

机构 * Central South University（中南大学） ； Yizhi Intelligent (YZInt)（义智智能（YZInt）） 纠错

专题命中 知识库问答 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 AdaGReS通过冗余感知评分和贪心选择优化，提升RAG在令牌预算下的上下文质量与生成效果。

Comments Preprint. Under review

HiFi-RAG: Hierarchical Content Filtering and Two-Pass Generation for Open-Domain RAG

HiFi-RAG：面向开放域RAG的分层内容过滤与双阶段生成

Cattalyya Nuengsigkapian

机构 * Google（谷歌） 纠错

专题命中 知识库问答 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 HiFi-RAG通过分层过滤和双阶段生成方法，在开放域RAG中提升答案生成质量，实现ROUGE-L和DeBERTaScore的显著提升。

Comments A winning solution for the NeurIPS 2025 MMU-RAGent Competition (Closed-Source Text-to-Text Static Evaluation)