RAG / 检索增强生成

The Crowded Embedding Space: A Mean-Field Mechanism for Emergent Marginalization in Retrieval-Augmented Agents

拥挤的嵌入空间：检索增强型智能体中涌现边缘化的平均场机制

Shwan Ashrafi, Dan Roth

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.AI

AI总结 研究检索增强型智能体中密集检索导致少数内容被边缘化的问题，通过静态和动态分析揭示平均场机制，证明局部相关性目标会系统性地排斥少数兴趣。

Journal ref ICML 2026

PETRA: Transforming Web Text for Petroleum-Engineering Domain Adaptation

PETRA: 将网络文本转化为石油工程领域适应的数据集

Kirill Dubovikov, Omar El Mansouri, Hachem Madmoun, Yanda Li, Sandeep Kumar, Aya El Mir, Supriyo Ghosh, Writabrata Bhattacharya, Adrian Garcia-Garcia, Onkar Pandit, Sunil Kumar Sahu, Federico Castanedo, Larry Murray, Martin Takac, Salem Lahlou

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎伊德大学人工智能学院） ； Inception AI 纠错

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.CL

AI总结 针对石油工程检索中领域标签稀缺的问题，提出PETRA数据集和流程，通过噪声网络数据构建领域语料和合成监督信号，显著提升检索与重排序性能。

Unified Dominance Graph for Interval-Predicate Approximate Nearest Neighbor Search

区间谓词近似最近邻搜索的统一支配图

Kwun Hang Lau, Ruiyuan Zhang, Elton Chun-Chai Li, Wun Yu Chan, Xiaojun Cheng, Xiaofang Zhou

专题命中 向量检索 ：retrieval-augmented generation(abstract)；分类 cs.IR、cs.DB

AI总结 提出统一支配图（UDG）框架，通过将区间端点映射到二维支配空间并构建支配标记图，统一处理包含、重叠等区间谓词，实现高效的区间谓词近似最近邻搜索。

Query-aware Routing for Filtered Approximate Nearest Neighbors Search

面向过滤近似最近邻搜索的查询感知路由

Qianqian Xiong, Mengxuan Zhang

专题命中 向量检索 ：retrieval-augmented generation(abstract)；分类 cs.IR、cs.DB

AI总结 提出查询感知路由框架，通过轻量级ML模型预测各候选方法的召回率，结合离线基准表选择最佳召回-QPS权衡，在五个未见数据集上达到SOTA性能。

Comments 12 pages

Test-Time Compute for Frozen Embedding Models through Agentic Program Search

冻结嵌入模型在测试时通过智能体程序搜索的计算

Han Xiao

机构 * Jina AI by Elastic（Jina AI 由 Elastic 提供） 纠错

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.CL

AI总结 本文提出一种智能体程序搜索方法，通过大语言模型编写程序操作冻结编码器API，在推理时提升小嵌入模型的检索质量，无需训练参数且跨任务迁移。

Comments 15 pages, 7 figures, 4 tables

Your Embedding Model is SMARTer Than You Think

你的嵌入模型比你想象的更聪明

Jianrui Zhang, Hyun Jung Lee, Sukanta Ganguly, Tae-Eui Kam, Donghyun Kim, Yong Jae Lee

机构 * UW-Madison（威斯康星大学麦迪逊分校） ； Korea University（韩国大学） ； NetApp, Inc.（NetApp公司） 纠错

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.AI

AI总结 提出SMART框架，通过利用标准单向量模型的隐式多向量能力，在推理时应用后期交互，无需额外训练即可提升多模态检索性能。

Vector Retrieval with Similarity and Diversity: How Hard Is It?

向量检索中的相似性与多样性：难度有多大？

Hang Gao, Dong Deng, Yongfeng Zhang

机构 * Rutgers University（罗杰斯大学） 纠错

专题命中 向量检索 ：retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL

AI总结 本文提出向量检索相似性与多样性（VRSD）问题，证明其为NP完全问题，并设计无参数启发式算法，在多个数据集上优于MMR和k-DPP等基线。

Benchmarking Filtered Approximate Nearest Neighbor Search Algorithms on Transformer-based Embedding Vectors

基于Transformer嵌入向量的过滤近邻搜索算法基准测试

Patrick Iff, Paul Bruegger, Marcin Chrapek, David Kochergin, Maciej Besta, Torsten Hoefler

专题命中 向量检索 ：retrieval-augmented generation(abstract)；分类 cs.IR、cs.DB

AI总结 本文针对过滤近邻搜索问题，提出arxiv-for-fanns数据集，评估了11种算法在不同过滤条件下的性能，总结出8项关键发现以指导实际应用。

CodeScout: An Effective Recipe for Reinforcement Learning of Code Search Agents

CodeScout: 一种有效的强化学习代码搜索代理训练方法

Lintang Sutawika, Aditya Bharat Soni, Bharath Sriraam R R, Apurva Gandhi, Taha Yassine, Sanidhya Vijayvargiya, Yuchen Li, Xuhui Zhou, Yilin Zhang, Leander Melroy Maben, Graham Neubig

专题命中 向量检索 ：vector search(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出CodeScout，通过强化学习方法训练仅使用标准Unix终端的代码搜索代理，实验证明其在多个基准测试中优于大型语言模型。

A Systematic Investigation of Document Chunking Strategies and Embedding Sensitivity

文档分块策略与嵌入敏感性系统性研究

Muhammad Arslan Shaukat, Muntasir Adnan, Carlos C. N. Kuhn

机构 * Open Source Institute（开源研究所） ； Faculty of Science and Technology（科学与技术学院） ； University of Canberra（堪培拉大学） 纠错

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.CL、cs.AI

AI总结 本文系统研究了文档分块策略与嵌入敏感性，发现内容感知分块显著提升检索效果，段落分组分块在多个领域表现最优。

LLaVE: Large Language and Vision Embedding Models with Hardness-Weighted Contrastive Learning

LLaVE: 大规模语言和视觉嵌入模型与基于难度加权的对比学习

Zhibin Lan, Liqiang Niu, Fandong Meng, Jie Zhou, Jinsong Su

机构 * School of Informatics, Xiamen University, China（厦门大学信息学院） ； Pattern Recognition Center, WeChat AI, Tencent Inc, China（腾讯人工智能研究院） ； Shanghai Artificial Intelligence Laboratory, China（上海人工智能实验室） 纠错

专题命中 向量检索 ：RAG(abstract)；分类 cs.CL、cs.AI

AI总结 LLaVE通过基于难度加权的对比学习提升多模态嵌入模型性能，实现SOTA表现和强泛化能力。

Comments Accepted by Findings of EMNLP 2025

JAG: Joint Attribute Graphs for Filtered Nearest Neighbor Search

JAG：联合属性图用于过滤最近邻搜索

Haike Xu, Guy Blelloch, Laxman Dhulipala, Lars Gottesbüren, Rajesh Jayaram, Jakub Łącki

专题命中 向量检索 ：vector search(abstract)；分类 cs.IR、cs.DB

AI总结 JAG通过联合属性图方法，实现了在各种过滤类型和选择性范围内的高效过滤最近邻搜索。

Analyzing Diffusion and Autoregressive Vision Language Models in Multimodal Embedding Space

分析扩散模型和自回归视觉语言模型在多模态嵌入空间中的表现

Zihang Wang, Siyue Zhang, Yilun Zhao, Jingyi Yang, Tingyu Song, Anh Tuan Luu, Chen Zhao

机构 * Nanyang Technological University（南洋理工大学） ； Yale University（耶鲁大学） ； NYU Shanghai（纽约大学上海分校） ； Alibaba-NTU Singapore Joint Research Institute（阿里-国立新加坡大学联合研究机构） ； University of the Chinese Academy of Sciences（中国科学院大学） ； Center for Data Science（数据科学中心） ； New York University（纽约大学） 纠错

专题命中 向量检索 ：retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 本文研究了多模态扩散模型在多模态嵌入任务中的表现，发现其在分类、VQA和检索任务中均逊于自回归VLM。

Influence Guided Sampling for Domain Adaptation of Text Retrievers

基于影响的采样用于文本检索器的领域适应

Meet Doshi, Vishwajeet Kumar, Yulong Li, Jaydeep Sen

机构 * IBM Research AI（IBM人工智能研究） 纠错

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.CL

AI总结 本文提出Inf-DDS，一种基于强化学习的采样框架，通过影响信号优化文本检索器的领域适应，提升检索性能并降低计算成本。

SAQ: Pushing the Limits of Vector Quantization through Code Adjustment and Dimension Segmentation

SAQ: 通过编码调整和维度分割推动向量量化极限

Hui Li, Shiyuan Deng, Xiao Yan, Xiangyu Zhi, James Cheng

专题命中 向量检索 ：RAG(abstract)；分类 cs.IR、cs.DB

AI总结 SAQ通过编码调整和维度分割技术提升向量量化精度和效率，实现量化误差降低80%及编码速度提升80倍。

Comments 13 pages, 12 figures, accepted by SIGMOD

HONEYBEE: Efficient Role-based Access Control for Vector Databases via Dynamic Partitioning[Technical Report]

HONEYBEE: 通过动态分区实现向量数据库的高效基于角色的访问控制

Hongbin Zhong, Matthew Lentz, Nina Narodytska, Adriana Szekeres, Kexin Rong

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Duke University（杜克大学） ； VMware Research by Broadcom（VMware由Broadcom进行的研究） ； Microsoft Research（微软研究院） 纠错

专题命中 向量检索 ：vector search(abstract)；分类 cs.IR、cs.DB

AI总结 HONEYBEE通过动态分区实现向量数据库的高效基于角色的访问控制，平衡内存开销与查询延迟，提升安全性与效率。

Comments Accepted by SIGMOD 2026

M3-Embedding: Multi-Linguality, Multi-Functionality, Multi-Granularity Text Embeddings Through Self-Knowledge Distillation

M3-Embedding：通过自知识蒸馏实现多语言、多功能、多粒度的文本嵌入

Jianlv Chen, Shitao Xiao, Peitian Zhang, Kun Luo, Defu Lian, Zheng Liu

机构 * University of Science and Technology of China（中国科学技术大学） ； BAAI（北京人工智能研究院） 纠错

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.CL、cs.AI

AI总结 M3-Embedding通过自知识蒸馏实现多语言、多功能和多粒度的文本嵌入，提升多语言检索性能。

An Index-based Approach for Efficient and Effective Web Content Extraction

基于索引的方法用于高效有效的网络内容提取

Yihan Chen, Benfeng Xu, Xiaorui Wang, Zhendong Mao

机构 * University of Science and Technology of China（中国科学技术大学） ； Metastone Technology（Metastone技术） 纠错

专题命中 向量检索 ：RAG(abstract)；分类 cs.IR、cs.CL

AI总结 本文提出基于索引的方法，用于高效提取网络相关内容，提升RAG系统查询准确性与处理速度。

Coordination-Free Lane Partitioning for Convergent ANN Search

Carl Kugblenu, Petri Vuorimaa

专题命中 向量检索 ：vector search(abstract)；分类 cs.IR、cs.DB

Comments 10 pages, 6 figures; arXiv preprint

Beyond QA Pairs: Assessing Parameter-Efficient Fine-Tuning for Fact Embedding in LLMs

Shivam Ratnakar, Abhiroop Talasila, Raghav Chamadiya, Nikhil Agarwal, Vinayak K Doifode

专题命中 向量检索 ：RAG(abstract)；分类 cs.CL、cs.AI

Comments Presented at the Workshop on Preparing Good Data for Generative AI: Challenges and Approaches (Good-Data) in conjunction with AAAI 2025. The authors retain the copyright

Journal ref Workshop on Preparing Good Data for Generative AI: Challenges and Approaches, 2025

Scalable Disk-Based Approximate Nearest Neighbor Search with Page-Aligned Graph

Dingyi Kang, Dongming Jiang, Hanshen Yang, Hang Liu, Bingzhe Li

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Rutgers University（新泽西罗格斯大学） 纠错

专题命中 向量检索 ：vector search(abstract)；分类 cs.IR、cs.DB

GLiClass: Generalist Lightweight Model for Sequence Classification Tasks

Ihor Stepanov, Mykhailo Shtopko, Dmytro Vodianytskyi, Oleksandr Lukashov, Alexander Yavorskyi, Mykyta Yaroshenko

机构 * Knowledgator Engineering（Knowledgator工程） 纠错

专题命中 向量检索 ：RAG(abstract)；分类 cs.CL、cs.AI

Comments 14 pages, 7 tables, 2 figures

A Text is Worth Several Tokens: Text Embedding from LLMs Secretly Aligns Well with The Key Tokens

Zhijie Nie, Richong Zhang, Zhanyu Wu

机构 * CCSE, School of Computer Science and Engineering, Beihang University, Beijing, China（计算机科学与工程学院，北京航空航天大学） ； Zhongguancun Laboratory, Beijing, China（中关村实验室） ； Shen Yuan Honors College, Beihang University, Beijing, China（神元荣誉学院，北京航空航天大学） 纠错

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.CL

Comments ACL2025 Oral

NaviX: A Native Vector Index Design for Graph DBMSs With Robust Predicate-Agnostic Search Performance

Gaurav Sehgal, Semih Salihoglu

专题命中 向量检索 ：vector search(abstract)；分类 cs.IR、cs.DB

PDX: A Data Layout for Vector Similarity Search

Leonardo Kuffo, Elena Krippner, Peter Boncz

专题命中 向量检索 ：vector search(abstract)；分类 cs.AI、cs.DB

Comments To be published in Proceedings of The 2025 International Conference on Management of Data (SIGMOD '25). For associated code, see https://github.com/cwida/PDX

Sparse Meets Dense: Unified Generative Recommendations with Cascaded Sparse-Dense Representations

Yuhao Yang, Zhi Ji, Zhaopeng Li, Yi Li, Zhonglin Mo, Yue Ding, Kai Chen, Zijian Zhang, Jie Li, Shuanglong Li, Lin Liu

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.AI

RouterRetriever: Routing over a Mixture of Expert Embedding Models

Hyunji Lee, Luca Soldaini, Arman Cohan, Minjoon Seo, Kyle Lo

专题命中 向量检索 ：retriever(abstract)；分类 cs.IR、cs.AI

Comments published at AAAI 2025

INDUS: Effective and Efficient Language Models for Scientific Applications

Bishwaranjan Bhattacharjee, Aashka Trivedi, Masayasu Muraoka, Muthukumaran Ramasubramanian, Takuma Udagawa, Iksha Gurung, Nishan Pantha, Rong Zhang, Bharath Dandala, Rahul Ramachandran, Manil Maskey, Kaylin Bugbee, Mike Little, Elizabeth Fancher, Irina Gerasimov, Armin Mehrabian, Lauren Sanders, Sylvain Costes, Sergi Blanco-Cuaresma, Kelly Lockhart, Thomas Allen, Felix Grezes, Megan Ansdell, Alberto Accomazzi, Yousef El-Kurdi, Davis Wertheimer, Birgit Pfitzmann, Cesar Berrospi Ramis, Michele Dolfi, Rafael Teixeira de Lima, Panagiotis Vagenas, S. Karthik Mukkavilli, Peter Staar, Sanaz Vahidinia, Ryan McGranaghan, Tsendgar Lee

专题命中 向量检索 ：vector search(abstract)；分类 cs.IR、cs.CL

Comments EMNLP 2024 (Industry Track)

Taxonomy-guided Semantic Indexing for Academic Paper Search

SeongKu Kang, Yunyi Zhang, Pengcheng Jiang, Dongha Lee, Jiawei Han, Hwanjo Yu

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.AI

Comments EMNLP'24

Enhancing Cloud-Based Large Language Model Processing with Elasticsearch and Transformer Models

Chunhe Ni, Jiang Wu, Hongbo Wang, Wenran Lu, Chenwei Zhang

专题命中 向量检索 ：vector search(abstract)；分类 cs.IR、cs.CL