RAG / 检索增强生成

MEGRAG: Multi-Granular Evidence Graphs for Answer-Aware Multi-Hop RAG

MEGRAG：面向答案感知多跳检索增强生成的多粒度证据图

Weidong Bao, Yingying Sun, Jun Yang, Yilin Wang, Zili Wei, Yubin Bao, Fangling Leng, Minghe Yu, Tiancheng Zhang, Ge Yu

专题命中 长文档RAG ：RAG(title,summary_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 本文提出MEGRAG框架，将多跳推理转化为路径结构的多粒度证据图，通过跨粒度索引关联多粒度证据，按需选择证据并迭代判断查询是否解决，在多跳问答任务上较各类RAG基准取得持续性能提升。

Comments 9 pages, 6 figures, 3 tables

Salience Induction against Multi-Hop RAG Agents: Threat and Defense

针对多跳检索增强生成智能体的显著性诱导：威胁与防御

Xingfu Zhou, Pengfei Wang, Yuan Zhou, Wei Xie, Xu Zhou

机构 * National University of Defense Technology（国防科技大学） 纠错

专题命中 长文档RAG ：RAG(title,summary_cn)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 研究多跳检索增强生成智能体面临的新攻击面——显著性通道，提出显著性诱导方法并定义操作符类，构建管道，引入基准。通过实验评估多种模型和架构，展示该方法有效性，强调智能体RAG需防御显著性 - 相关性解耦。

Comments 18 pages, 4 figures, 12 tables

MIRAGE: Defending Long-Form RAG Against Misinformation Pollution

MIRAGE：抵御长文本检索增强生成中的错误信息污染

Saadeldine Eletter, Ruihong Zeng, Yuxia Wang, Maxim Panov, Aleksandr Rubashevskii, Preslav Nakov

机构 * Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed大学人工智能学院） 纠错

专题命中 长文档RAG ：RAG(title,summary_cn)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 研究长文本检索增强生成（RAG）中错误信息污染问题，提出无训练、模型无关的MIRAGE防御方法，构建基于自然语言推理的跨文档声明图并应用防御声明门，提升事实性，优于现有方法。

Comments ACL-style preprint. 19 pages, 5 figures, 16 tables

Metadata, Structure, or Strategy? A Decomposition of RAG Context Enrichment

元数据、结构还是策略？RAG上下文丰富化的分解研究

Saber Zerhoudi, Michael Granitzer, Jelena Mitrovic

专题命中 长文档RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR

AI总结 通过控制实验分解检索增强生成中的上下文丰富化因素，发现大多数丰富化降低准确性，模型能力与上下文的匹配比元数据数量更关键。

Journal ref European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML-PKDD 2026)

Leveraging Spreading Activation for Improved Document Retrieval in Knowledge-Graph-Based RAG Systems

利用传播激活改进基于知识图谱的RAG系统中的文档检索

Jovan Pavlović, Miklós Krész, László Hajdu

机构 * UP FAMNIT, University of Primorska（普里摩里卡大学FAMNIT学院） ； InnoRenew CoE, UP IAM, University of Primorska（InnoRenew联合学院、UP IAM、普里摩里卡大学） ； University of Szeged, Department of Applied Informatics（塞格德大学应用信息学系） 纠错

专题命中 长文档RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 提出一种基于自动构建异构知识图谱的传播激活算法，用于多跳问答中的文档检索，减少对语义知识图谱和LLM引导的依赖，性能优于或持平现有方法。

Comments 20 pages, 5 figures

MultiHop-RAG: Benchmarking Retrieval-Augmented Generation for Multi-Hop Queries

Yixuan Tang, Yi Yang

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(title,abstract)；分类 cs.CL

Comments Link: https://github.com/yixuantt/MultiHop-RAG/

Testing Retrieval-Augmented Generation Systems with Chunk Coverage

用块覆盖率测试检索增强生成系统

Jinhan Kim, Samuele Pasini, Paolo Tonella

专题命中 长文档RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(title,abstract)

AI总结 研究用块覆盖率（CC）测试检索增强生成（RAG）系统的检索组件，CC衡量语料块检索比例，可指导测试选择与生成，通过实验表明CC引导测试能更快达覆盖率且提高故障检测有效性，无需测试预言机就能捕捉检索多样性。

Comments ISSTA 2026

Agent-Assisted Side-Channel Attacks on Non-Prefix KV Cache in RAG

代理辅助的非前缀KV缓存侧信道攻击

He Sun, Shinan Liu, Siyuan Ma, Junhao Li, Mingjun Xiao, Wenhao Jiang

专题命中 长文档RAG ：RAG(title,summary_cn)；retrieval-augmented generation(abstract)

AI总结 针对RAG系统中非前缀KV缓存融合的侧信道漏洞，提出SpliceLeak攻击，利用“阶梯波”时序特征提取私有提示长度和语义内容，并设计SpliceDefense防御机制。

Comments 15 pages, 8 figures

Long$^2$RAG: Evaluating Long-Context & Long-Form Retrieval-Augmented Generation with Key Point Recall

Zehan Qi, Rongwu Xu, Zhijiang Guo, Cunxiang Wang, Hao Zhang, Wei Xu

专题命中 长文档RAG ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)；分类 cs.CL

Comments Accepted to EMNLP'24 (Findings). Camera-ready version

Probe, Don't Prompt: A Hidden-State Probe for Metadata Filtering in Multi-Meta-RAG

探测而非提示：用于多元RAG中元数据过滤的隐藏状态探测器

Mykhailo Poliakov, Nadiya Shvai

机构 * National University of Kyiv-Mohyla Academy（基辅莫希拉学院国家大学） 纠错

专题命中 长文档RAG ：RAG(title,title_cn)；分类 cs.CL、cs.AI

AI总结 研究改进多跳问答检索，用基于小型开源语言模型隐藏状态训练的确定性探测器取代专有提取器，探测器在准确率上有优势且输出空间固定，介绍了使其工作的设计选择及低成本输出方式。

Lightweight Chunk Selection for Mobile Retrieval-Augmented Generation

面向移动端检索增强生成的轻量级分块选择

Sicong Chang, Yidan Shen, Wen Yu, Jiefu Chen, Xin Fu, Renjie Hu

专题命中 长文档RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(title)；分类 cs.AI

AI总结 本文针对移动端RAG部署的成本问题，提出结合LLM侧查询意图、MoE路由信号与检索分块嵌入的轻量级分块选择方法，提升了排名1的证据选择性能。

Optimizing Hypergraph-Based RAG: Toward Better Fact Extraction and Chunk Retrieval

优化基于超图的RAG：迈向更好的事实提取和块检索

Houda Khrouf, Pedro Fillastre, Sebastiao Correia

机构 * Qlik（思略特） 纠错

专题命中 长文档RAG ：RAG(title,title_cn)；分类 cs.AI

AI总结 研究旨在优化基于超图的RAG，以解决事实提取和块检索问题。方法是采用自一致性提示改进提取，运用个性化PageRank算法增强块检索，贡献在于提升了相关任务的性能。

Comments APIA 2026 conference

The Effect of Text Chunk Size on Retrieval-Augmented Generation Performance

文本块大小对检索增强生成性能的影响

German Garrido-Lestache Belinchon, Hugo Garrido-Lestache Belinchon

专题命中 长文档RAG ：retrieval-augmented generation(title,abstract)；RAG(abstract,abstract_cn)；分类 cs.IR、cs.CL、cs.AI

AI总结 研究文本块大小对检索增强生成性能的影响，评估其与检索段数量如何影响生成质量和检索效果，通过比较配置，以更好理解文档分割对检索增强生成系统性能和效率的作用。

GRASP: GRanularity-Aware Search Policy for Agentic RAG

GRASP：用于智能检索增强生成的粒度感知搜索策略

Varun Gandhi, Jaewook Lee, Shantanu Todmal, Franck Dernoncourt, Ryan Rossi, Zichao Wang, Andrew Lan

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Adobe Research（Adobe 研究院） 纠错

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 研究智能体检索增强生成中模型决策难题，提出GRASP强化学习框架，训练智能体协调互补检索工具，实验表明其提升检索召回率和问答性能，还展现出可解释行为，凸显协调检索信号和上下文粒度对智能体推理的关键作用。

DynaKRAG: A Unified Framework for Learnable Evidence Control in Multi-Hop Retrieval-Augmented Generation

DynaKRAG：多跳检索增强生成中可学习证据控制的统一框架

Yaqi Wu, Xiaolei Guo, Chenyu Zhou, Jiaqi Huang, Xianfa Zhang, Junxu Zhang, Zhuo Yu, Zhubo Shi, Jianghao Lin, Dongdong Ge

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Aircraft Manufacturing Co., Ltd.（上海飞机制造有限公司） ； Tongji University（同济大学） 纠错

专题命中 长文档RAG ：retrieval-augmented generation(title,abstract)；RAG(abstract,abstract_cn)；分类 cs.IR、cs.CL

AI总结 研究多跳检索增强生成中证据控制问题，提出DynaKRAG框架，将证据获取表述为状态条件控制，通过有效性层和控制器选择操作，实验表明该框架在多个基准测试中表现出色，证明协调检索等操作的益处。

Think Parallax: Solving Multi-Hop Problems via Multi-View Knowledge-Graph-Based Retrieval-Augmented Generation

Think Parallax: 通过多视图知识图谱基于检索增强生成解决多跳问题

Jinliang Liu, Jiale Bai, Shaoning Zeng

机构 * Yangtze Delta Region Institute (Huzhou), University of Electronic Science and Technology of China（长江三角洲地区研究院（湖州），电子科学与技术大学） ； School of Information and Software Engineering, University of Electronic Science and Technology of China（信息与软件工程学院，电子科学与技术大学） 纠错

专题命中 长文档RAG ：retrieval-augmented generation(title,abstract)；RAG(abstract,abstract_cn)；分类 cs.CL、cs.AI

AI总结 本文提出ParallaxRAG框架，通过多视图知识图谱检索增强生成解决多跳推理问题，改进多跳推理的结构，提升检索和问答性能，减少幻觉并增强生物医学领域适应性。

Budget-Constrained Online Retrieval-Augmented Generation: The Chunk-as-a-Service Model

预算约束下的在线检索增强生成：块即服务模型

Shawqi Al-Maliki, Ammar Gharaibeh, Mohamed Rahouti, Mohammad Ruhul Amin, Mohamed Abdallah, Junaid Qadir, Ala Al-Fuqaha

机构 * Information and Computing Technology (ICT) Division, College of Science and Engineering, Hamad Bin Khalifa University（信息与计算技术系（ICT）, 科学与工程学院, 哈马德·本·卡西姆大学） ； School of Electrical Engineering and Information Technology, German Jordanian University（电气工程与信息科技学院, 德国约旦大学） ； Department of Computer and Information Sciences, Fordham University（计算机与信息科学系, 芙兰克大学） ； Department of Computer Science and Engineering, College of Engineering, Qatar University（计算机科学与工程系, 工程学院, 卡塔尔大学） 纠错

专题命中 长文档RAG ：retrieval-augmented generation(title,abstract)；RAG(abstract,abstract_cn)；分类 cs.IR

AI总结 本文提出块即服务模型，通过在线选择算法提升检索增强生成的透明性和成本效益，实验显示其在性能和预算利用上优于现有方法。

Reducing Redundancy in Retrieval-Augmented Generation through Chunk Filtering

通过分块过滤减少检索增强生成中的冗余

Daria Berdyugina, Anaëlle Cohen, Yohann Rioual

机构 * AI Lab – VO2 Group（AI实验室–VO2小组） 纠错

专题命中 长文档RAG ：retrieval-augmented generation(title,abstract)；RAG(abstract,abstract_cn)；分类 cs.CL

AI总结 本文通过语义、主题和命名实体过滤策略减少检索增强生成中的冗余，实验表明实体过滤可减少向量索引大小25%-36%并保持高检索质量。

Question-Adaptive Graph Learning for Multi-hop Retrieval Augmented Generation

针对多跳检索的问答图学习

Yuchen Yan, Peiyan Zhang, Zhihua Liu, Hao Wang, Yatao Bian, Weiming Li, Xiaoshuai Hao

机构 * Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系） ； Hong Kong University of Science（香港科学大学） 纠错

专题命中 长文档RAG ：retrieval augmented generation(title)；RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 本文提出一种多跳问答检索的图学习框架，通过多信息层级知识图和问题自适应图神经网络，提升复杂语义问题的理解与噪声抑制能力，实验表明在高跳数问题上提升33.8%。

Comments Accepted by SIGIR2026

Think Straight, Stop Smart: Structured Reasoning for Efficient Multi-Hop RAG

Jihwan Bang, Juntae Lee, Seunghan Yang, Sungha Choi

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；retriever(abstract)；分类 cs.CL

Comments Accepted at NeurIPS 2025 Workshop

Enhancing Document-Level Question Answering via Multi-Hop Retrieval-Augmented Generation with LLaMA 3

Xinyue Huang, Ziqi Lin, Fang Sun, Wenchao Zhang, Kejian Tong, Yunbo Liu

机构 * Independent Researcher（独立研究者） ； Cornell University（康奈尔大学） ； University of Southern California（南加州大学） 纠错

专题命中 长文档RAG ：retrieval-augmented generation(title,abstract)；RAG(abstract)；dense retrieval(abstract)；分类 cs.CL

Emulating Retrieval Augmented Generation via Prompt Engineering for Enhanced Long Context Comprehension in LLMs

Joon Park, Kyohei Atarashi, Koh Takeuchi, Hisashi Kashima

专题命中 长文档RAG ：retrieval augmented generation(title,abstract)；RAG(abstract)；retriever(abstract)；分类 cs.CL

Comments 11 pages, 2 figures

D$^2$F-ReAG: Dynamic Decomposition and Filtering for Multi-Hop Reasoning-Augmented Generation

D²F-ReAG：面向多跳推理增强生成的动态分解与过滤

Jiaoyang Li, Junhao Ruan, Shengwei Tang, Kaiyan Chang, Zhengtao Yu, Tong Xiao, Jingbo Zhu

机构 * Northeastern University（东北大学） ； Kunming University of Science and Technology（昆明理工大学） ； NiuTrans Research（NiuTrans研究院） 纠错

专题命中 长文档RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 针对现有检索增强生成（RAG）处理多跳问题时缺乏动态分解与有效过滤的缺陷，提出D²F-ReAG范式，通过判断根级推理可靠性自适应控制推理深度，经实验验证其处理复杂多跳问题的有效性。

ACE-GraphRAG: Agentic Context Engineering for Hierarchical GraphRAG

ACE-GraphRAG：面向分层GraphRAG的智能体上下文工程

Yongfeng Huang, Yuren Lai, Ruiying Chen, Haoyu Huang, Mingming Zhao, James Cheng

机构 * The Chinese University of Hong Kong（香港中文大学） ； Wuhan University of Technology（武汉理工大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Huawei Noah’s Ark Lab（华为诺亚方舟实验室） 纠错

专题命中 长文档RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 ACE-GraphRAG针对分层GraphRAG的表示-推理差距，提出两种自适应上下文策略，在多任务基准上优于现有RAG和GraphRAG基线，验证了动态上下文构建策略的有效性。

Comments Withdrawn because the manuscript was posted prematurely before completion of the required internal review and release authorization

SentGraph: Hierarchical Sentence Graph for Multi-hop Retrieval-Augmented Question Answering

SentGraph: 用于多跳检索增强问答的层次化句子图

Junli Liang, Pengfei Zhou, Wangqiu Zhou, Wenjie Qing, Qi Zhao, Ziwen Wang, Qi Song, Xiangyang Li

机构 * University of Science and Technology of China（中国科学技术大学） ； Hefei University of Technology（合肥工业大学） 纠错

专题命中 长文档RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 提出SentGraph，一种句子级图RAG框架，通过构建层次化句子图并建模细粒度逻辑关系，解决多跳问答中证据链不完整的问题。

AdaComp: Extractive Context Compression with Adaptive Predictor for Retrieval-Augmented Large Language Models

AdaComp: 基于自适应预测器的提取式上下文压缩用于检索增强型大语言模型

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 长文档RAG ：RAG(summary_cn,abstract)；retriever(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出AdaComp，一种低开销的提取式上下文压缩方法，通过自适应确定压缩率来平衡RAG的效率与性能，实验表明其在保持性能的同时显著降低了推理成本。

Comments Accepted to KSEM 2026

RealRoute: Dynamic Query Routing System via Retrieve-then-Verify Paradigm

RealRoute：通过检索-验证范式实现动态查询路由系统

Jiahe Liu, Qinkai Yu, Jingcheng Niu, Xi Zhu, Zirui He, Zhen Xiang, Fan Yang, Jinman Zhao

机构 * Technical University of Denmark（技术大学） ； University of Exeter（埃克塞特大学） ； University of Toronto（多伦多大学） ； Rutgers University（罗格斯大学） ； NJIT（新 jersey 工业技术学院） ； University of Georgia（佐治亚大学） ； Wake Forest University（威克森林大学） 纠错

专题命中 长文档RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 RealRoute引入一种鲁棒的检索-验证机制，通过并行源无关检索和动态验证器确保证据完整性，优于预测基线，在多跳RAG推理任务中表现更佳。

Comments 12 pages, 3 figures, 3 tables

SmartChunk Retrieval: Query-Aware Chunk Compression with Planning for Efficient Document RAG

SmartChunk检索：具有规划的查询感知分块压缩以实现高效的文档RAG

Xuechen Zhang, Koustava Goswami, Samet Oymak, Jiasi Chen, Nedim Lipka

机构 * University of Michigan（密歇根大学） ； Adobe Research（Adobe研究） 纠错

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 SmartChunk通过查询自适应框架和强化学习方案提升长文档问答效率与准确性。

Comments 26 pages, 10 figures

ECoRAG: Evidentiality-guided Compression for Long Context RAG

Yeonseok Jeong, Jinsu Kim, Dohyeon Lee, Seung-won Hwang

机构 * IPAI, Seoul National University（IPAI，首尔国立大学） ； Korea University（韩国大学） ； Seoul National University（首尔国立大学） 纠错

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI

MacRAG: Compress, Slice, and Scale-up for Multi-Scale Adaptive Context RAG

Woosang Lim, Zekun Li, Gyuwan Kim, Sungyoung Ji, HyeonJung Kim, Kyuri Choi, Jin Hyuk Lim, Kyungpyo Park, William Yang Wang

机构 * POSCO HOLDINGS（POSCO控股公司） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； Google Cloud（谷歌云） 纠错

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI