RAG / 检索增强生成

DuetRAG: Collaborative Retrieval-Augmented Generation

Dian Jiao, Li Cai, Jingsheng Huang, Wenqiao Zhang, Siliang Tang, Yueting Zhuang

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

Comments 5 pages

The Power of Noise: Redefining Retrieval for RAG Systems

Florin Cuconasu, Giovanni Trappolini, Federico Siciliano, Simone Filice, Cesare Campagnano, Yoelle Maarek, Nicola Tonellotto, Fabrizio Silvestri

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

FIT-RAG: Black-Box RAG with Factual Information and Token Reduction

Yuren Mao, Xuemei Dong, Wenyi Xu, Yunjun Gao, Bin Wei, Ying Zhang

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

FedRAG: A Framework for Fine-Tuning Retrieval-Augmented Generation Systems

Val Andrei Fajardo, David B. Emerson, Amandeep Singh, Veronica Chatrath, Marcelo Lotif, Ravi Theja, Alex Cheung, Izuki Matsuba

机构 * Vector Institute（向量研究所） 纠错

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

Comments 9 pages, 4 figures, 2 tables. Accepted for the CODEML Workshop at ICML 2025. Framework code available at https://github.com/VectorInstitute/fed-rag

GroupRAG: Cognitively Inspired Group-Aware Retrieval and Reasoning via Knowledge-Driven Problem Structuring

GroupRAG: 基于知识驱动的问题结构化进行的认知启发式组感知检索与推理

Xinyi Duan, Yuanrong Tang, Jiangtao Gong

机构 * Tsinghua University（清华大学） 纠错

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

AI总结 GroupRAG通过知识驱动的关键点分组，实现组感知的检索与推理，提升语言模型在现实场景中的表现，实验表明其优于RAG和CoT基线方法。

Comments 9 pages, 3 figures

Invoice Haystack: Benchmarking Document Retrieval and Visual Question Answering Under Strong Visual Homogeneity

发票草垛：强视觉同质性下的文档检索与视觉问答基准测试

Heethanjan Kanagalingam, Thenukan Pathmanathan, Mokeeshan Vathanakumar, Basim Azam, Sarah Monazam Erfani, Naveed Akhtar

机构 * The University of Melbourne（墨尔本大学） ； Lakehead University（湖首大学） 纠错

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

AI总结 针对视觉同质文档集合中的检索困难，提出Invoice Haystack基准和VL-RAG混合检索框架，通过文本与视觉嵌入融合及VLM验证过滤，显著提升检索准确率。

Comments Accepted to presentation at ECCV 2026

Autofocus Retrieval: An Effective Pipeline for Multi-Hop Question Answering With Semi-Structured Knowledge

自动聚焦检索：一种基于半结构化知识的多跳问答有效流程

Derian Boer, Stephen Roth, Stefan Kramer

机构 * Institute of Computer Science（计算机科学研究所） ； Johannes Gutenberg University Mainz（美因茨约翰内斯·古腾堡大学） 纠错

专题命中 检索器与排序 ：retriever(summary_cn,abstract)；hybrid retrieval(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 本文提出Autofocus-Retriever框架，通过结合结构和文本检索方法，在三个STaRK问答基准测试中取得最佳零样本和一次样本结果，其性能由四个约束驱动检索步骤和四个补充处理步骤驱动。

Journal ref Transactions on Machine Learning Research 2026

AI-assisted Protocol Information Extraction For Improved Accuracy and Efficiency in Clinical Trial Workflows

人工智能辅助的协议信息提取以提高临床试验工作流程的准确性和效率

Ramtin Babaeipour, François Charest, Madison Wright

机构 * Banting Health AI（巴丁健康AI） 纠错

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

AI总结 本文研究了利用AI系统进行临床试验协议信息提取，通过比较RAG方法与传统LLM的准确性，发现AI能显著提升提取效率和准确性，降低工作负担。

Comments Updated to accepted manuscript. Published in Journal of Biomedical Informatics, Volume 179, July 2026, 105036

Journal ref Journal of Biomedical Informatics, Volume 179, July 2026, 105036

To Memorize or to Retrieve: Scaling the Interaction Between Pretraining and Retrieval

记忆还是检索：考虑RAG的缩放规律

Karan Singh, Michael Yu, Varun Gangal, Zhuofu Tao, Sachin Kumar, Emmy Liu, Steven Y. Feng

机构 * Stanford University（斯坦福大学） ； Independent Researcher（独立研究员） ； Patronus AI ； The Ohio State University（俄亥俄州立大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 研究探讨了预训练知识与检索知识的平衡，提出三维缩放框架，揭示在不同模型规模和任务类型下检索的边际效用，为语言模型设计提供数据资源分配指导。

Comments Code available at https://github.com/DegenAI-Labs/RAG-Scaling-Laws

Does More Retrieved Evidence Help Visual Retrieval-Augmented Generation with Diffusion Language Models?

更多检索到的证据是否有助于基于扩散语言模型的视觉检索增强生成？

Jiankun Wang, Yisen Gao, Ziwei Zhang, Xingcheng Fu, Jiaxin Bai, Chen Gao

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

AI总结 针对基于扩散语言模型的视觉检索增强生成，研究发现无条件扩大检索证据会因语义冲突降低准确率，提出无需训练的基于熵的候选过滤框架，可平均提升答案准确率2.62个百分点。

C-MIG: Multi-view Information Gain-based Retrieval-Augmented Generation for Clinical Diagnosis Reasoning

C-MIG：基于多视角信息增益的检索增强生成用于临床诊断推理

Yuwei Miao, Gen Li, Yunsheng Zeng, Xiandong Li, Yujin Wang, Siyu Chen, Luning Wang, Yunhao Qiao, Junfeng Wang, Jianwei Lv, Bo Yuan

机构 * Baidu Inc（百度公司） 纠错

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

AI总结 提出C-MIG框架，通过多视角信息增益和多重子查询检索增强策略，解决检索增强生成中奖励信号丢失和异构推理监督问题，在临床诊断任务上取得最优性能。

RIMS: Preference Optimization via Smoothed Multi-pair Aggregation for Small-Scale LLM Retrieval-Augmented Generation

RIMS：通过平滑多对聚合进行偏好优化以实现小规模语言模型检索增强生成

Pei Tian, Zihan Dong, Tianci Liu, Linjun Zhang, Haoyu Wang

机构 * Columbia University（哥伦比亚大学） ； Rutgers University（罗格斯大学） ； Purdue University（普渡大学） ； SUNY Albany（纽约州立大学奥尔巴尼分校） 纠错

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

AI总结 研究针对小规模语言模型检索增强生成中对噪声证据敏感的问题，提出RIMS框架，通过合成偏好数据、软聚合机制及偏好优化，实现更好性能，在多基准测试中优于现有方法

Journal ref COLM 2026

Earthquaker-AI: A Retrieval-Augmented Generation Framework with Rubric-Based Assessment for Primary School Earthquake Education

地震人工智能：一种基于评分标准评估的小学地震教育检索增强生成框架

Xanthi Kokkinou, Chaido Mizeli, Nafsika Koulaxidou, Marina Delianidi, Konstantinos Diamantaras

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

AI总结 研究针对小学生地震教育问题，提出地震人工智能混合教育框架，集成检索增强生成对话式AI助手，结合乐高机器人、评分标准和AI，通过不同年级的渐进学习提升学生地震应对能力，实验显示有高可信度和准确性。

Comments 17 pages, 4 figures

FedMosaic: Federated Retrieval-Augmented Generation via Parametric Adapters

FedMosaic：通过参数适配器进行联邦检索增强生成

Zhilin Liang, Yuxiang Wang, Zimu Zhou, Hainan Zhang, Boyi Liu, Yongxin Tong

机构 * SKLCCSE Lab Beihang University Beijing China（SKLCCSE实验室 北航） ； Department of Data Science City University of Hong Kong Hong Kong China（数据科学系 香港城市大学） ； Beijing Advanced Innovation Center Beihang University Beijing China（北京先进创新中心 北航） ； Beihang University（北航） ； City University of Hong Kong（香港城市大学） 纠错

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

AI总结 研究针对隐私敏感领域，解决联邦检索增强生成中高存储通信及适配器聚合问题。核心方法是提出FedMosaic框架，聚类文档成多文档适配器并选择性聚合。主要贡献是准确率提高，存储和通信成本降低，且不共享原始文档。

Comments 11 pages

CHARLIE: An On-Premise Multi-Agent Retrieval-Augmented Generation System for Evidential Reasoning in Forensic Science

CHARLIE：用于法医学证据推理的本地多智能体检索增强生成系统

Leandro D. Carneiro, Andre L. S. Meirelles, Juliano de A. Gomes, Rafael C. A. Cabral

机构 * Forensic Institute, Civil Police of Federal District, Brazil（巴西联邦区刑事研究所） ； University of Brasília, Brazil（巴西巴西利亚大学） 纠错

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

AI总结 介绍用于法医学证据推理的本地多智能体检索增强生成系统CHARLIE，通过结合多种机制应对取证挑战，在机构内运行维护数据主权等，经案例研究验证其能支持证据工作流程，为高风险取证环境部署AI系统提供蓝图。

Comments 10 pages, 1 figure. Archival version of a paper presented at RELAF 2026: 1st Workshop on Reasoning with Evidence in Law Enforcement and Forensics, co-located with ICAIL 2026, Singapore, June 2026

Dual-Confidence Contrastive Decoding for Retrieval-Augmented Generation

双置信对比解码用于检索增强生成

Raymond Li, Md Tawkat Islam Khondaker, Amirhossein Abaskohi, Gabriel Murray, Giuseppe Carenini, Issam H. Laradji

机构 * ServiceNow Research（ServiceNow研究院） ； University of British Columbia（不列颠哥伦比亚大学） 纠错

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

AI总结 针对多文档检索增强生成中的内部证据冲突问题，提出无需训练的双置信对比解码方法，结合文档级和词元级置信度选择正负流，在DRQA等基准上取得最佳平均性能。

LCAi: Life Cycle Assessment with big data fusion and retrieval-augmented generation-assisted interpretation

LCAi: 基于大数据融合与检索增强生成辅助解释的生命周期评估

Georgios Tsironis, Juan D. Medrano-Garcia, Gonzalo Guillen-Gosalbez

机构 * Institute for Chemical and Bioengineering, Department of Chemistry and Applied Biosciences, ETH Zürich（苏黎世联邦理工学院化学与应用生物科学系化学与生物工程研究所） ； NCCR Catalysis（瑞士国家研究能力中心催化研究所） 纠错

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

AI总结 提出一种视角条件检索增强生成框架，通过多视角检索与受控合成，在AI辅助生命周期评估中实现结构化解释，减少幻觉风险并保持跨领域多样性。

Comments 23 pages, 14 figures, 6 tables. Includes Supplementary Information

Security and Privacy in Retrieval-Augmented Generation: Architectures, Threats, Defenses, and Future Directions for Building Trustworthy Systems

检索增强生成中的安全与隐私：构建可信系统的架构、威胁、防御与未来方向

Balamurugan Palanisamy, G S S Chalapathi, Vikas Hassija, Rajkumar Buyya

机构 * Department of Electrical and Electronics Engineering（电子与电气工程系） ； Birla Institute of Technology and Science, Pilani, Pilani Campus（比拉理工学院和科学学院，比拉校区） ； Department of Computer Engineering, KIIT University（计算机工程系，KIIT大学） ； Quantum Cloud Computing and Distributed Systems (qCLOUDS) Laboratory（量子云计算与分布式系统（qCLOUDS）实验室） ； Department of Computing and Information Systems（计算与信息系统系） ； The University of Melbourne（墨尔本大学） 纠错

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

AI总结 本文综述了检索增强生成系统在集中式、设备端、联邦和混合范式下的隐私与安全挑战，提出了涵盖检索、上下文构建和生成阶段的统一威胁分类，并分析了攻击类别及防御策略。

Tail-Aware Adaptive-k: Query-Adaptive Context Selection for Retrieval-Augmented Generation

尾部感知自适应-k：面向检索增强生成的查询自适应上下文选择

Ziyu Song, Jiaming Fang, Kuangyu Li, Tuo Xia, Chuanpeng Wang

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

AI总结 针对固定Top-K检索在查询依赖和重尾相似度分布下的失效问题，提出TAA-k框架，通过局部化极值理论验证策略实现高效、稳定的查询自适应截断，在三个数据集上达到接近最优的检索质量且效率大幅提升。

Comments First two authors contributed equally. Accepted at ECML PKDD 2026

LazyAttention: Efficient Retrieval-Augmented Generation with Deferred Positional Encoding

LazyAttention: 高效检索增强生成中的延迟位置编码

Haocheng Xia, Mihir Pamnani, Hanxi Fang, Supawit Chockchowwat, Yongjoo Park

机构 * Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校Siebel计算与数据科学学院） ； Google（谷歌） ； Amazon（亚马逊） 纠错

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

AI总结 针对检索增强生成中KV缓存位置编码复用性差的问题，提出LazyAttention机制，通过核化延迟位置编码实现零拷贝、位置无关的KV重用，显著降低首令牌延迟并提升推理吞吐量。

Comments ICML 2026

Argus-Retriever: Vision-LLM Late-Interaction Retrieval with Region-Aware Query-Conditioned MoE for Visual Document Retrieval

Argus-Retriever: 基于区域感知查询条件混合专家模型的视觉-大语言模型后期交互检索用于视觉文档检索

Abdelrahman Abdallah, Mahmoud Abdalla, Mohammed Ali, Adam Jatowt

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

AI总结 提出Argus系列查询条件后期交互检索器，通过区域感知混合专家模块使文档表示依赖查询，在ViDoRe基准上以更低维度和更少训练数据取得领先性能。

Uncovering Competing Poisoning Attacks in Retrieval-Augmented Generation

揭示检索增强生成中的竞争性投毒攻击

Liuji Chen, Xiaofang Yang, Yuanzhuo Lu, Jinghao Zhang, Xin Sun, Qiang Liu, Shu Wu, Jing Dong, Liang Wang

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

AI总结 针对检索增强生成系统，研究多个攻击者同时投毒以争夺同一查询目标的问题，提出竞争有效性指标和PoisonArena框架。

Comments Accepted by KDD 2026. Project page: https://poison-arena.github.io/

Journal ref KDD 2026

RAGCap-Bench: Benchmarking Capabilities of LLMs in Agentic Retrieval Augmented Generation Systems

RAGCap-Bench: 评估代理检索增强生成系统中LLM能力的基准测试

Jingru Lin, Chen Zhang, Stephen Y. Liu, Haizhou Li

机构 * National University of Singapore（新加坡国立大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

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

AI总结 本文提出RAGCap-Bench，用于评估代理检索增强生成系统中中间任务的细粒度能力，通过分析现有系统输出识别常见任务和核心能力，设计针对性评估问题，实验表明增强中间能力的模型能获得更好的整体性能。

BiRD: A Bidirectional Ranking Defense Mechanism for Retrieval Augmented Generation

BiRD: 一种用于检索增强生成的双向排序防御机制

Chengcai Gao, Zhihong Sun, Xiaochuan Shi, Qiufeng Wang, Chao Liang

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

AI总结 本文提出BiRD，一种基于双向排序的防御机制，通过双信号框架提升检索增强生成系统的效率和鲁棒性，有效降低对抗攻击成功率并提高任务准确性。

Comments 17 pages, 10 figures and 8 tables

NyayaAI: An AI-Powered Legal Assistant Using Multi-Agent Architecture and Retrieval-Augmented Generation

NyayaAI：基于多智能体架构和检索增强生成的AI法律助理

Deepanshu, Divi Saxena, Deepali Rana, Ayesha Varshney, Sahinur Rahman Laskar

机构 * School of Computer Science UPES, Dehradun, India（计算机科学学院 UPES 德里胡迪恩印度） 纠错

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

AI总结 本文提出NyayaAI，通过多智能体架构和检索增强生成技术，提升法律信息获取效率，实现法律流程自动化与简化，实验显示其在法律分类、检索和响应准确性上达到70%-74%的精度。

Comments 3 pages, 1 figure

Byte-Exact Deduplication in Retrieval-Augmented Generation: A Three-Regime Empirical Analysis Across Public Benchmarks

检索增强生成中字节精确去重：在公共基准上跨三种模式的实证分析

Sietse Schelpe

机构 * Corbenic AI, Inc.（Corbenic AI公司） 纠错

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

AI总结 本文通过三种不同模式的实证分析，展示了检索增强生成中字节精确去重技术在减少上下文量方面的效果，并证明其在保持模型质量方面无显著退化。

Comments Preprint. Implementation and open-source community version available at: https://github.com/corbenic/merlin-community - https://zenodo.org/records/20090712

Enhancing Financial Report Question-Answering: A Retrieval-Augmented Generation System with Reranking Analysis

增强财务报告问答：一种带有重排序分析的检索增强生成系统

Zhiyuan Cheng, Longying Lai, Yue Liu, Kai Cheng, Xiaoxi Qi

机构 * School of Engineering Stanford University Stanford, CA, USA ； Simon Business School University of Rochester Rochester, NY, USA ； Accounting \& Information Systems Rutgers University Newark, NJ, USA ； Institute for Social ； Economic Research ； Policy Columbia University New York, NY, USA ； Department of Economics Northeastern University Boston, MA, USA 纠错

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

AI总结 本文提出一种检索增强生成系统，通过重排序提升财务报告问答性能，实验表明重排序显著提高答案质量，正确率提升15.5个百分点。

Comments 7 pages, 2 figures. Accepted to ICECET 2026

BERAG: Bayesian Ensemble Retrieval-Augmented Generation for Knowledge-based Visual Question Answering

BERAG：基于贝叶斯集成的检索增强生成用于基于知识的视觉问答

Jinghong Chen, Jingbiao Mei, Guangyu Yang, Bill Byrne

机构 * Department of Engineering（工程系） 纠错

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

AI总结 BERAG通过将语言模型条件于单个检索文档而非单一上下文，解决检索增强生成中文档贡献不明和长上下文中的信息丢失问题，提升视觉问答任务性能。

SitEmb-v1.5: Improved Context-Aware Dense Retrieval for Semantic Association and Long Story Comprehension

SitEmb-v1.5：改进的上下文感知密集检索用于语义关联和长故事理解

Junjie Wu, Jiangnan Li, Yuqing Li, Lemao Liu, Liyan Xu, Jiwei Li, Dit-Yan Yeung, Jie Zhou, Mo Yu

机构 * HKUST（香港科技大学） ； WeChat AI, Tencent（腾讯微信AI） ； IIE-CAS（国际 Institute 中国科学院） ； Zhejiang University（浙江大学） 纠错

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

AI总结 本文提出SitEmb模型，通过将短片段与更广的上下文窗口结合，提升长文档检索性能，实验表明其在书本情节检索任务中优于现有模型，且在多语言和下游任务中表现优异。

Comments ACL 2025 Main Conference. Our trained models can be downloaded from: https://huggingface.co/SituatedEmbedding

Learning to Extract Rational Evidence via Reinforcement Learning for Retrieval-Augmented Generation

通过强化学习学习提取理性证据以增强检索增强生成

Xinping Zhao, Shouzheng Huang, Yan Zhong, Xinshuo Hu, Meishan Zhang, Baotian Hu, Min Zhang

机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院） ； Peking University（北京大学） 纠错

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

AI总结 本文提出EviOmni，通过推理先提取证据，结合证据推理与提取，利用强化学习优化生成质量，实验表明其在多个基准数据集上表现优异，提升下游任务准确率。

Comments 23 pages, 8 Figures, 18 Tables; Accepted to ACL 2026 Findings