RAG / 检索增强生成

RepoShapley: Shapley-Enhanced Context Filtering for Repository-Level Code Completion

RepoShapley：基于Shapley的上下文过滤用于仓库级代码补全

Yu Huo, Kun Zeng, Siyu Zhang, Yuquan Lu, Cheng Yang, Yifu Guo, Xiaoying Tang

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

AI总结 RepoShapley通过Shapley式边际贡献监督，实现仓库级代码补全的上下文过滤，提升补全质量并减少有害上下文和冗余检索。

Comments ACL 2026 Findings

Developing an AI Assistant for Knowledge Management and Workforce Training in State DOTs

为州交通部门的知识管理和员工培训开发人工智能助手

Divija Amaram, Lu Gao, Gowtham Reddy Gudla, Tejaswini Sanjay Katale

机构 * Department of Computer Science, University of Houston（计算机科学系，休斯顿大学） ； Department of Civil and Environmental Engineering, University of Houston（土木与环境工程系，休斯顿大学） ； Ph.D Department of Civil and Environmental Engineering, University of Houston（土木与环境工程系，休斯顿大学） ； Engineering Data Science, University of Houston（工程数据科学，休斯顿大学） 纠错

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

AI总结 本文提出了一种多代理架构的RAG框架，用于州交通部门的知识管理和决策支持，通过整合文档检索与大语言模型生成，提升信息检索与响应质量。

DeepRead: Document Structure-Aware Reasoning to Enhance Agentic Search

DeepRead: 一种基于文档结构的推理以增强代理搜索

Zhanli Li, Huiwen Tian, Lvzhou Luo, Yixuan Cao, Ping Luo

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences (CAS)（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； University of Chinese Academy of Sciences, CAS（中国科学院大学） ； Wenlan School of Business, Zhongnan University of Economics（中南财经政法大学文澜商学院） 纠错

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

AI总结 DeepRead通过结构感知的文档推理增强代理搜索，有效提升文档理解精度。

Comments This version has significantly enhanced the clarity of our research

Optimizing Multi-Hop Document Retrieval Through Intermediate Representations

通过中间表示优化多跳文档检索

Jiaen Lin, Jingyu Liu, Yingbo Liu

机构 * School of Software, BNRist, Tsinghua University（软件学院、BNRist、清华大学） ； Beijing Key Laboratory of Industrial Bigdata System and Application（北京工业大数据系统与应用重点实验室） ； Gaoling School of Artificial Intelligence, Renmin University of China（甘露人工智能学院、中国人民大学） 纠错

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

AI总结 本文提出L-RAG方法，通过利用中间层表示优化多跳文档检索，提升问答性能。

Use of Retrieval-Augmented Large Language Model Agent for Long-Form COVID-19 Fact-Checking

使用检索增强型大语言模型代理进行长期形式的新冠事实核查

Jingyi Huang, Yuyi Yang, Mengmeng Ji, Charles Alba, Sheng Zhang, Ruopeng An

机构 * New York University, USA（纽约大学） ； Washington University in St. Louis, USA（华盛顿大学圣路易斯分校） ； Shanghai University of Sports, China（上海体育大学） 纠错

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

AI总结 本文提出SAFE系统，结合大语言模型与检索增强生成技术，有效提升长期新冠虚假信息的事实核查能力。

Millions of $\text{GeAR}$-s: Extending GraphRAG to Millions of Documents

Zhili Shen, Chenxin Diao, Pascual Merita, Pavlos Vougiouklis, Jeff Z. Pan

机构 * Huawei Technologies Co., Ltd.（华为技术有限公司） ； University of Edinburgh（爱丁堡大学） 纠错

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

Comments Accepted by SIGIR 2025 LiveRAG Challenge Program

Hierarchical Lexical Graph for Enhanced Multi-Hop Retrieval

Abdellah Ghassel, Ian Robinson, Gabriel Tanase, Hal Cooper, Bryan Thompson, Zhen Han, Vassilis N. Ioannidis, Soji Adeshina, Huzefa Rangwala

机构 * Queen's University（皇后大学） ； Amazon（亚马逊） 纠错

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

Comments KDD '25

QuOTE: Question-Oriented Text Embeddings

Andrew Neeser, Kaylen Latimer, Aadyant Khatri, Chris Latimer, Naren Ramakrishnan

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

Enhancing Long Context Performance in LLMs Through Inner Loop Query Mechanism

Yimin Tang, Yurong Xu, Ning Yan, Masood Mortazavi

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

You Only Use Reactive Attention Slice For Long Context Retrieval

Yun Joon Soh, Hanxian Huang, Yuandong Tian, Jishen Zhao

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

Swiss Parliaments Corpus Re-Imagined (SPC_R): Enhanced Transcription with RAG-based Correction and Predicted BLEU

瑞士议会语料库重新构想（SPC_R）：基于RAG的增强转录与预测BLEU

Vincenzo Timmel, Manfred Vogel, Daniel Perruchoud, Reza Kakooee

专题命中 长文档RAG ：RAG(title)；分类 cs.CL

AI总结 本文通过结合高精度ASR、基于LLM的校正和数据驱动过滤，提升瑞士议会语料库的转录质量，实现6点BLEU提升。

Comments Change: Updated number of hours for train/test

Bilateral Spatial Reasoning about Street Networks: Graph-based RAG with Qualitative Spatial Representations

双重视觉推理关于街道网络：基于图的RAG与定性空间表示

Reinhard Moratz, Niklas Daute, James Ondieki, Markus Kattenbeck, Mario Krajina, Ioannis Giannopoulos

专题命中 长文档RAG ：RAG(title)；分类 cs.AI

AI总结 本文提出一种基于图的RAG方法，利用定性空间表示提升LLM在行人导航中的路线指引能力。

COMPARE: Clinical Optimization with Modular Planning and Assessment via RAG-Enhanced AI-OCT: Superior Decision Support for Percutaneous Coronary Intervention Compared to ChatGPT-5 and Junior Operators

COMPARE: 通过RAG增强的AI-OCT实现临床优化：与ChatGPT-5和初级操作者相比，为经皮冠状动脉介入术提供更优的决策支持

Wei Fang, Chiyao Wang, Wenshuai Ma, Hui Liu, Jianqiang Hu, Xiaona Niu, Yi Chu, Mingming Zhang, Jingxiao Yang, Dongwei Zhang, Zelin Li, Pengyun Liu, Jiawei Zheng, Pengke Zhang, Chaoshi Qin, Wangang Guo, Bin Wang, Yugang Xue, Wei Zhang, Zikuan Wang, Rui Zhu, Yihui Cao, Quanmao Lu, Rui Meng, Yan Li

专题命中 长文档RAG ：RAG(title)；分类 cs.AI

AI总结 CA-GPT通过RAG增强的AI-OCT系统在PCI规划和评估中优于ChatGPT-5和初级医生，提供更可靠的决策支持。

SafeMate: A Modular RAG-Based Agent for Context-Aware Emergency Guidance

Junfeng Jiao, Jihyung Park, Yiming Xu, Kristen Sussman, Lucy Atkinson

机构 * Urban Information Lab, University of Texas at Austin（德克萨斯大学奥斯汀分校城市信息实验室） ； Department of Computer Science, University of Texas at Austin（德克萨斯大学奥斯汀分校计算机科学系） ； Department of Advertising, Texas State University（德克萨斯州立大学广告系） ； Department of Advertising and Public Relations, University of Texas at Austin（德克萨斯大学奥斯汀分校广告与公共关系系） 纠错

专题命中 长文档RAG ：RAG(title)；分类 cs.AI

The HalluRAG Dataset: Detecting Closed-Domain Hallucinations in RAG Applications Using an LLM's Internal States

Fabian Ridder, Malte Schilling

专题命中 长文档RAG ：RAG(title)；分类 cs.CL

Comments 19 pages, 3 figures

Targeting the Core: A Simple and Effective Method to Attack RAG-based Agents via Direct LLM Manipulation

Xuying Li, Zhuo Li, Yuji Kosuga, Yasuhiro Yoshida, Victor Bian

专题命中 长文档RAG ：RAG(title)；分类 cs.AI

Query Routing for Homogeneous Tools: An Instantiation in the RAG Scenario

Feiteng Mu, Yong Jiang, Liwen Zhang, Chu Liu, Wenjie Li, Pengjun Xie, Fei Huang

专题命中 长文档RAG ：RAG(title)；分类 cs.AI

IterCOMP: Reasoning-aware Adaptive Prompt Compression for Multi-hop Question Answering

IterCOMP：面向多跳问答的感知推理自适应提示压缩

JungMin Yun, YoungBin Kim

机构 * Chung-Ang University（中央大学） 纠错

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

AI总结 本文针对多跳问答中现有提示压缩方法无法捕捉多跳推理步骤的问题，提出无训练框架IterCOMP，经实验验证其可提升问答指标并减少token预算。

Comments ACL 2026 Main Conference

AnchorFold: A Focus-Then-Fold Framework via Recursive Attention Propagation for Efficient Multi-Vector Visual Document Retrieval

AnchorFold：基于递归注意力传播的“先聚焦后折叠”高效多向量视觉文档检索框架

Haoyu Zuo, Yibo Yan, Xin Zou, Shuliang Liu, Yi Cao, Mingdong Ou, Xuming Hu

专题命中 长文档RAG ：RAG(abstract,abstract_cn)；分类 cs.IR、cs.CL

AI总结 AnchorFold是无训练的文档侧索引压缩框架，通过递归注意力传播实现先聚焦后折叠，在多数据集多骨干下，强压缩时仍保持高检索性能，优于同类无训练基线。

Comments 24 pages, 7 figures

DiPS: Dialogue Policy Selection for High-Stakes Persuasion Agents

DiPS：高风险说服代理的对话策略选择

Tianyi Zhang, Mousumi Das, Abrar Anwar, Jesse Thomason, David Traum

机构 * University of Southern California（南加州大学） 纠错

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

AI总结 针对高风险场景中说服策略需个性化的问题，提出DiPS框架，基于Q-learning动态选择说服策略，在火灾疏散模拟和真实人机交互中提升成功率。

Comments Proceedings of the 27th Annual Meeting of the Special Interest Group on Discourse and Dialogue (SIGDIAL 2026)

Conversational Query Engine for Mixed-Modality Heterogeneous Enterprise Data Sources

面向混合模态异构企业数据源的对话式查询引擎

Darshita Rathore, Vineet Kumar, Vaibhav Singal, Ankur Vivek Singh, Anindya Moitra

机构 * PayPal Artificial Intelligence（PayPal人工智能） 纠错

专题命中 长文档RAG ：RAG(abstract,abstract_cn)；分类 cs.IR、cs.AI

AI总结 提出COGNI系统，通过四层架构（索引、路由、检索、缓存）统一处理结构化与非结构化数据，实现高精度、低成本的混合模态查询。

Comments Accepted at Agent4IR @ KDD2026

Cartridges at Scale: Training Modular KV Caches over Large Document Collections

大规模弹匣：训练模块化KV缓存以处理大型文档集合

Momchil Hardalov, Gonzalo Iglesias, Adrià de Gispert

机构 * Amazon AGI（亚马逊人工智能研究院） 纠错

专题命中 长文档RAG ：RAG(abstract,abstract_cn)；分类 cs.IR、cs.CL

AI总结 提出Cartridges at Scale (CAS)框架，通过动态干扰混合和内存高效预算管理器实现大规模多弹匣训练，在减少预填充开销的同时保持准确性，性能优于单块弹匣10-31点，接近全上下文学习。

Comments 21 pages, 5 figures, 17 tables

The Architecture of Errors: From Universal Impossibility to Patch-Local LLM Reliability

错误的架构：从普遍不可能到局部补丁的LLM可靠性

Mikhail L. Arbuzov, Lee Mosbacker, Sisong Bei, Ziwei Dong, Dmitri Kalaev, Alexey Shvets

机构 * Independent Researcher（独立研究者） ； Palo Alto Networks（帕洛阿尔托网络） 纠错

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

AI总结 本文通过两个命题和一个推论，形式化地论证了通用LLM可靠性在无限域上不可实现，但在操作有界的局部补丁中可通过目录发现和干预覆盖实现可靠性。

Comments 25 pages, no figures

Context Memorization for Efficient Long Context Generation

上下文记忆用于高效长上下文生成

Yasuyuki Okoshi, Hao Mark Chen, Guanxi Lu, Hongxiang Fan, Masato Motomura, Daichi Fujiki

机构 * Institute of Science Tokyo, Japan（东京科学研究所） ； Imperial College London, UK（伦敦帝国学院） 纠错

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

AI总结 本文提出了一种无需训练的上下文记忆方法，通过将前缀外部化为轻量级的预计算注意力状态查找表，以提高长上下文生成的准确性和效率，同时减少注意力计算的延迟。

A Picture is Worth a Thousand Words? An Empirical Study of Aggregation Strategies for Visual Financial Document Retrieval

一张图片胜过千言万语？视觉财务文档检索聚合策略的实证研究

Ho Hung Lim, Yi Yang

机构 * The Hong Kong University of Science and Technology（香港理工大学） 纠错

专题命中 长文档RAG ：RAG(abstract,abstract_cn)；分类 cs.IR、cs.AI

AI总结 本文实证研究了视觉检索中聚合策略的影响，发现单一向量聚合会丢失关键信息，通过财务文档实验表明聚合会掩盖语义细节，指出全局纹理主导是根本原因。

Comments Accepted to Findings of ACL 2026

RDMA: Cost Effective Agent-Driven Rare Disease Mining from Electronic Health Records

RDMA: 低成本的代理驱动罕见病挖掘从电子健康记录

John Wu, Adam Cross, Jimeng Sun

机构 * Department of Computer Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算机科学系） ； Department of Pediatrics, University of Illinois College of Medicine Peoria（伊利诺伊大学皮奥里亚医学院儿科系） 纠错

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

AI总结 RDMA通过代理框架在电子健康记录中挖掘罕见病，无需特定任务训练，提升性能并降低部署成本。

Dynamic Long Context Reasoning over Compressed Memory via End-to-End Reinforcement Learning

通过端到端强化学习实现压缩内存中的动态长上下文推理

Zhuoen Chen, Dongfang Li, Meishan Zhang, Baotian Hu, Min Zhang

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

AI总结 本文提出了一种基于端到端强化学习的框架，通过分块压缩和选择性记忆回溯实现高效长上下文推理，提升了多跳推理任务的准确性和效率。

Comments 26 pages, 7 figures. Code and models will be released

$A^3$: Attention-Aware Accurate KV Cache Fusion for Fast Large Language Model Serving

$A^3$：基于注意力的准确KV缓存融合用于快速大语言模型服务

Yuechi Zhou, Yi Su, Jianxin Zhang, Juntao Li, Qingrong Xia, Zhefeng Wang, Xinyu Duan, Baoxing Huai

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

AI总结 $A^3$通过基于注意力的准确KV缓存融合技术，有效降低大语言模型服务的解码延迟和内存开销，提升任务性能。

Tagging-Augmented Generation: Assisting Language Models in Finding Intricate Knowledge In Long Contexts

Anwesan Pal, Karen Hovsepian, Tinghao Guo, Mengnan Zhao, Somendra Tripathi, Nikos Kanakaris, George Mihaila, Sumit Nigam

机构 * AWS AI Labs（AWS人工智能实验室） ； Amazon Web Services（亚马逊网络服务） ； Amazon OTS（亚马逊OTS） ； Amazon Catalog AI（亚马逊目录人工智能） 纠错

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

Comments Paper accepted at EMNLP 2025

Avoiding Knowledge Edit Skipping in Multi-hop Question Answering with Guided Decomposition

Yi Liu, Xiangrong Zhu, Xiangyu Liu, Wei Wei, Wei Hu

机构 * State Key Laboratory for Novel Software Technology, Nanjing University, China（新型软件技术国家重点实验室，南京大学，中国） ； National Institute of Healthcare Data Science, Nanjing University, China（医疗数据科学国家研究院，南京大学，中国） 纠错

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

Comments Accepted in EMNLP Findings 2025