RAG / 检索增强生成

Hybrid-IR: Dual-Path Hybrid Retrieval with Iterative Reasoning for Complex Medical Question Answering

Hybrid-IR: 面向复杂医学问答的双路径混合检索与迭代推理

Sheng Wan, Jiahui Zhang, Zicheng Zhao, Shougang Ren

机构 * College of Artificial Intelligence, Nanjing Agricultural University（南京农业大学人工智能学院） ； School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） 纠错

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

AI总结 提出Hybrid-IR框架，结合图检索与稠密检索的双路径检索机制，并通过迭代检索-推理循环逐步优化推理轨迹，有效解决复杂医学问答中知识碎片化和静态检索不足的问题。

RAVEN: Agentic RAG for Automated Vulnerability Repair

RAVEN：用于自动化漏洞修复的智能体检索增强生成框架

Varun Gadey, Zijie Liu, Alexandra Dmitrienko

机构 * University of Duisburg-Essen（杜伊斯堡- Essen大学） 纠错

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

AI总结 提出RAVEN框架，集成智能体RAG管道与可控迭代修复，利用开源LLM实现跨类型、跨语言的自动化漏洞修复，在160个真实CVE上达到83.13%修复成功率。

Comments 17 Pages, 4 figures. Under review

Ricci-Filtration: Boosting Retrieval-Augmented Generation Reranker to Query-Answer Tasks by Discrete Ricci Flow

Ricci-Filtration：通过离散Ricci流提升检索增强生成重排序器在查询-答案任务中的性能

Tian Qin, Wei-Min Huang

机构 * Tian Qin（田琴） ； Wei-Min Huang（黄伟民） 纠错

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

AI总结 提出基于离散曲率和Ricci流的几何重排序增强方法Ricci-Filtration，通过建模查询与检索块为网络并利用曲率过滤噪声块，显著提升RAG生成性能。

Effective and Efficient Context Retrieval via Partial Dependency Graph for Repository-Level Code Generation

基于部分依赖图的高效上下文检索用于仓库级代码生成

Zhongxin Liu, Zhonghao Jiang, Zhifan Ye, Haoye Wang, Jiakun Liu, Xiaoxue Ren

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

AI总结 该研究针对仓库级代码生成中RAG方法的不足，提出基于部分依赖图的DyRetriever，构建DyCoder并在CoderEval、DevEval上取得显著性能提升且效率更高。

Comments Accepted by ASE 2026

Novelty-Aware Agentic Retrieval: Comparing Research Contributions Through Structured Multi-Step Reasoning

新颖性感知的智能检索：通过结构化多步推理比较研究贡献

Shou-Tzu Han

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

AI总结 提出新颖性感知研究智能体，通过结构化多步推理增强RAG，实现论文间重叠、差异及问题-方法缺失的对比分析，在100篇论文语料上支持五种结构化比较能力。

Comments 9 pages, 1 figure, 14 tables

When Poison Fails After Retrieval: Revisiting Corpus Poisoning under Chunking and Reranking Pipelines

当投毒在检索后失败：重新审视分块与重排序管道下的语料库投毒

Xi Nie, Hongwei Li, Shenghao Wu, Mingxuan Li, Jiachen Li, Wenbo Jiang

机构 * School of Computer Science, Shandong University（山东大学计算机学院） ； School of Information, Shandong University（山东大学信息学院） ； School of Software Engineering, Shandong University（山东大学软件学院） 纠错

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

AI总结 针对RAG系统，提出CRCP框架，通过联合优化检索相关性、重排序一致性和分块边界鲁棒性，解决现有投毒方法在真实多阶段检索管道中因分块和重排序导致效果下降的问题。

Source-Aware Reranking for Retrieval-Augmented Generation: A Reliability Prior Approach

用于检索增强生成的源感知重排：一种可靠性先验方法

Yuktha Tata Koganti, Hugo Garrido-Lestache Belinchon

机构 * Milwaukee School of Engineering（密尔沃基工程学院） 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、cs.AI

AI总结 研究针对检索增强生成中仅靠语义相似性排序的问题，提出纳入源可靠性先验的重排方法，通过为文档分配先验并重新加权检索分数，在健康领域语料库实验中提升了Precision@5并减少对抗性文档检索。

Detecting Hallucinations in Retrieval-Augmented Generation through Grounding-Aware Sensitivity by Perturbation (GASP)

通过扰动的基于接地感知敏感性检测检索增强生成中的幻觉（GASP）

Mohamed Aly Bouke

机构 * Centre for Intelligent Cloud Computing, CoE for Advanced Cloud, Faculty of Information Science and Technology, Multimedia University（智能云计算中心、高级云研究中心、信息科学与技术学院、多媒体大学） 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、cs.AI

AI总结 研究检索增强生成中幻觉检测问题，提出GASP方法，通过固定答案重新打分，衡量对数似然下降和Jensen-Shannon散度，评估显示其在RAGTruth上效果显著，信号能转移到TofuEval。

Comments 23 pages, 9 figures, 15 tables

AGE: Adaptive-masking for Graph Embedding in Graph Retrieval-Augmented Generation

AGE：面向图检索增强生成的图嵌入自适应掩码

Bao Long Nguyen Huu, Atsushi Hashimoto

机构 * OMRON Corporation（欧姆龙公司） ； OMRON SINIC X Corporation（欧姆龙SINIC X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.IR、cs.AI

AI总结 提出自适应掩码图嵌入方法AGE，通过类似文本编码器的Transformer结构和可学习节点采样器解决图与文本特征对齐问题，在GraphQA任务中显著提升准确性。

SHIFT: Gate-Modulated Activation Steering for Knowledge Conflict Mitigation in Retrieval-Augmented Generation

SHIFT: 门控调制激活引导用于检索增强生成中的知识冲突缓解

Ruochang Li, Pengcheng Huang, Zhenghao Liu, Yukun Yan, Huiyuan Xie, Yu Gu, Ge Yu, Maosong Sun

机构 * School of Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院，沈阳，中国） ； Department of Computer Science and Technology, Tsinghua University, Beijing, China（清华大学计算机科学与技术系，北京，中国） 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、cs.AI

AI总结 提出SHIFT框架，通过轻量级门控模块调节LLM内部激活，以自适应解决检索上下文与参数知识间的冲突，仅优化0.01%参数，在六个数据集上验证有效性。

Comments 19 pages, 13 Figures

uva-irlab-conv at SemEval-2026 Task 8: Multi-Turn RAG with Learned Sparse Retrieval and Listwise Reranking

uva-irlab-conv 在 SemEval-2026 任务 8：基于学习型稀疏检索和列表式重排序的多轮 RAG

Simon Lupart, Kidist Amde Mekonnen, Zahra Abbasiantaeb, Mohammad Aliannejadi

机构 * University of Amsterdam（阿姆斯特丹大学） 纠错

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

AI总结 提出结合学习型稀疏检索与基于 LLM 的重排序和生成的多轮检索增强生成流水线，用于跨四个领域的对话系统，有效处理不可回答查询。

Comments SemEval-2026, The 20th International Workshop on Semantic Evaluation, collocated with ACL 2026, 9 pages, 5 figures, 6 tables

Retrieval Augmented Generation Framework for the Nepali Legal Domain Question Answering

面向尼泊尔法律领域问答的检索增强生成框架

Samir Wagle, Abiral Adhikari, Reewaj Khanal, Batsal Bhandari, Prashant Manandhar, Praveen Acharya, Bal Krishna Bal

机构 * Dublin City University（都柏林城市大学） 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、cs.AI

AI总结 提出首个基于检索增强生成的尼泊尔法律问答模型，利用BM25和E5模型检索案例法，实现91%的top-1精度和74%的生成答案可信度。

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

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。

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

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

Benchmarking Fine-tuning and Retrieval Strategies for a Multimodal Language Model on the NRC Reactor Operator Licensing Examination

基于美国核管理委员会反应堆操作员执照考试的多模态语言模型微调与检索策略基准测试

Isak Hwang, Yoon Pyo Lee

机构 * organization= Department of Nuclear Engineering, Hanyang University , addressline= 222 Wangsimni-ro , postcode= 04763 , state= Seongdong-gu , city= Seoul , country= South Korea ； organization= The Grainger College of Engineering, Nuclear, Plasma \& Radiological Engineering, University of Illinois Urbana-Champaign , city= Urbana , state= IL , country= USA 纠错

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

AI总结 该研究针对美国核管理委员会反应堆操作员执照考试，评估310亿参数多模态模型应用核知识的能力，通过对比基础模型与多种微调及检索配置，发现固定大小分块RAG的SFT配置表现最佳，并揭示了分块策略规律及RAFT与SFT的性能差异。

Diagnosing and Mitigating Compounding Failures in Agentic Persuasion via Taxonomic Strategy Retrieval

诊断与缓解智能体说服中的复合失败：基于分类策略检索

Sana Ayromlou, Purvi Sehgal, Pradyumna Narayana

机构 * Google（谷歌） 纠错

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

AI总结 针对智能体在主观任务中因语义泄露导致的复合错误，提出分类策略RAG（TS-RAG），通过离散类别瓶颈解耦论证结构与主题内容，显著提升抽象逻辑迁移能力，并在非对称部署中增强轻量级说服者性能。

Temporal Validity in Retrieval Memory: Eliminating Stale-Fact Errors for AI Agents over Evolving Knowledge

检索记忆中的时间有效性：消除AI智能体在知识演化中的过时事实错误

Neeraj Yadav

机构 * MemStrata.dev — Called It Inc. (Enterprise)（MemStrata.dev — Called It Inc.（企业）） 纠错

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

AI总结 针对RAG无法处理知识演化导致过时事实错误的问题，提出MemStrata，通过确定性替换规则维护时间有效性，在演化知识上准确率达0.95-1.00，过时事实错误率降至~0%。

Comments 21 pages, 5 tables. Code, prompts, and evaluation datasets included

PeerCheck: Enhancing LLM-Generated Academic Reviews Towards Human-Level Quality

PeerCheck: 提升大语言模型生成的学术评审至人类水平质量

Zeyuan Chen, Ziqing Yang, Yihan Ma, Michael Backes, Yang Zhang

机构 * CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心） 纠错

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

AI总结 提出PeerCheck框架，分析LLM与人类评审差异，采用思维链和检索增强生成提升评审质量，发现思维链显著改善但RAG存在悖论。

Combining Retrieval-Augmented Text Generation with LLMs for Reading Content Recommendations

结合检索增强文本生成与大型语言模型的阅读内容推荐

Sooyeon Kim, Piotr S. Maciąg

机构 * Institute of Computer Science, Warsaw University of Technology（计算机科学学院，华沙技术大学） 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.AI

AI总结 提出结合检索增强生成（RAG）与大型语言模型的系统，通过四个模块实现个性化阅读内容生成，实验表明RAG将相关性和接地性提升26-35个百分点。

TimeLens: On-Device Artifact Recognition with Retrieval-Augmented Question Answering for the Grand Egyptian Museum

TimeLens: 面向大埃及博物馆的基于检索增强问答的设备端文物识别

Rawan Hesham, Ali Ashraf, Amr Ahmed, Malak Alaa, Omar Ahmed, Omar Wagih

机构 * Grand Egyptian Museum（大埃及博物馆） 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

AI总结 针对博物馆场景中的细粒度视觉相似性、训练数据与手持相机差距以及AI幻觉问题，提出设备端文物检测器与双语检索增强生成（RAG）问答系统，实现实时识别与可靠问答。

Comments 6 pages, 4 figures, 5 tables. Submitted to AIVRCH 2026

Mind the Gap: Bridging Behavioral Silos with LLMs in Multi-Vertical Recommendations

注意差距：用LLM弥合多垂直领域推荐中的行为孤岛

Nimesh Sinha, Raghav Saboo, Martin Wang, Sudeep Das

机构 * DoorDash Inc.（DoorDash公司） 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.AI

AI总结 提出利用LLM从数据丰富垂直领域（如餐厅）向稀疏领域（如杂货）迁移知识的框架，通过分层RAG生成多级特征，集成到MTL排序模型，显著提升新兴业务个性化与参与度。

Error-Aware TF-IDF Retrieval-Augmented Generation for ASR Error Correction

错误感知的TF-IDF检索增强生成用于ASR错误纠正

Mohammad Aref Jafari-Raddani

机构 * Department of Computer Engineering, Qom University of Technology（库姆科技大学计算机工程系） ； Asa Electronic Akhtaran（阿萨电子阿赫塔兰公司） 纠错

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

AI总结 提出一种纯词法的错误感知检索增强生成框架，通过对称文本归一化和基于历史错误的稀疏对角惩罚矩阵，将FLEURS波斯语子集的错误感知命中率从53.7%提升至90.9%，最终词错误率从23.06%降至18.83%。

Comments 4 pages, 1 figure, 2 tables

Query Translation vs. Cross-Lingual Embeddings for Sinhala-Tamil E-Government Information Retrieval

僧伽罗语-泰米尔语电子政务信息检索的查询翻译与跨语言嵌入对比

Dharshi Balasubramaniyam, Tiroshan Madushanka

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

AI总结 本文对比僧伽罗语-泰米尔语电子政务信息检索的CLIR方法，发现多语言嵌入模型BGE-M3性能最优，优于查询翻译方法，可作为低资源政务领域RAG的有效方案。