RAG / 检索增强生成

Enhancing Open-Domain Table Question Answering via Syntax- and Structure-aware Dense Retrieval

Nengzheng Jin, Dongfang Li, Junying Chen, Joanna Siebert, Qingcai Chen

专题命中 知识库问答 ：dense retrieval(title)；分类 cs.CL

Comments IJCNLP-AACL 2023

Euclid-MCP: A Model Context Protocol Server for Deterministic Logical Reasoning via Prolog

欧几里得-MCP：一个通过Prolog进行确定性逻辑推理的模型上下文协议服务器

Bartolomeo Bogliolo

专题命中 知识库问答 ：RAG(abstract,abstract_cn)；分类 cs.CL、cs.AI

AI总结 研究针对大型语言模型多步逻辑推理不可靠问题，提出开源的欧几里得-MCP服务器，通过引入欧几里得-IR及支持特定循环的工具接口实现确定性逻辑推理，经评估在处理大问题时效果优于LLMs，可作稳定推理基础。

DQA: Diagnostic Question Answering for IT Support

DQA：面向IT支持的诊断问题解答

Vishaal Kapoor, Mariam Dundua, Sarthak Ahuja, Neda Kordjazi, Evren Yortucboylu, Vaibhavi Padala, Derek Ho, Jennifer Whitted, Rebecca Steinert

机构 * Amazon（亚马逊） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

AI总结 DQA通过维护持续诊断状态和聚合根本原因，提升企业IT支持中的系统性故障排查效率，其在150个匿名场景中取得78.7%的成功率，优于多轮RAG基线的41.3%。

Comments 7 pages, 2 tables, submitted at ACL 2026 Industry Track

This Treatment Works, Right? Evaluating LLM Sensitivity to Patient Question Framing in Medical QA

这种治疗有效吗？评估LLM在医疗问答中对患者问题表述的敏感性

Hye Sun Yun, Geetika Kapoor, Michael Mackert, Ramez Kouzy, Wei Xu, Junyi Jessy Li, Byron C. Wallace

机构 * Northeastern University（东北大学） ； UC Berkeley（加州大学伯克利分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； UT MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

AI总结 研究评估了LLM在医疗问答中对问题表述方式的敏感性，发现不同表述方式会导致不一致结论，尤其在多轮对话中更为明显，强调了在高风险场景中需重视表述鲁棒性。

Comments 31 pages, 4 tables, 19 figures

PassiveQA: A Three-Action Framework for Epistemically Calibrated Question Answering via Supervised Finetuning

PassiveQA: 一个基于监督微调的三动作框架，用于通过监督微调进行知识校准的问题回答

Madhav S Baidya

机构 * Indian Institute of Technology (BHU) Varanasi（印度理工学院（巴纳拉斯印度教大学）瓦拉纳西分校） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出PassiveQA框架，通过监督微调解决信息不全时的问题回答，提升宏F1和退避召回率，减少幻觉。

Comments 32 pages, 4 figures. Includes experiments on four QA datasets and a knowledge graph-based finetuning pipeline. Code available at: https://github.com/MadsDoodle/PassiveQA

Talk to Right Specialists: Iterative Routing in Multi-agent Systems for Question Answering

与正确专家对话：多智能体系统中用于问答的迭代路由

Feijie Wu, Zitao Li, Fei Wei, Yaliang Li, Bolin Ding, Jing Gao

机构 * Purdue University（普渡大学） ； Alibaba（阿里巴巴） ； Zoom Communication（Zoom通信） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出RIRS框架，通过迭代路由解决多智能体问答中用户无法确定咨询哪个专家及复杂问题需多专家证据的问题，提升回答准确性和效率。

Comments Differences between v1 & v2: The algorithm name of the first version is RopMura, which decomposes a multi-hop query into several simple subqueries, and a question selector selects one of the subqueries to answer. In the second version, the name is updated to RIRS, which directly routes a query to the appropriate agents, regardless of whether the query is single-hop or multi-hop

PluriHopRAG: Exhaustive, Recall-Sensitive QA Through Corpus-Specific Document Structure Learning

PluriHopRAG: 通过语料库特定文档结构学习实现全面、召回敏感的问答

Mykolas Sveistrys, Richard Kunert

机构 * Turbit Systems GmbH 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.IR、cs.CL

AI总结 本文提出PluriHopRAG，通过学习语料库特定文档结构分解查询，改进多跳问答任务的召回敏感性和全面性，在PluriHopWIND和Loong基准上取得显著提升。

Bypassing Document Ingestion: An MCP Approach to Financial Q&A

绕过文档摄入：一种MCP方法用于金融问答

Sasan Mansouri, Edoardo Pilla, Mark Wahrenburg, Fabian Woebbeking

机构 * University of Groningen（Groningen大学） ； Goethe University Frankfurt（法兰克福歌德大学） ； Martin Luther University Halle-Wittenberg（哈雷-维滕贝格马丁路德大学） ； Halle Institute for Economic Research (IWH)（哈雷经济研究所） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.IR、cs.AI

AI总结 本文研究MCP在金融问答中的可靠性，通过构建定制MCP服务器测试FinDER基准，发现其在多步数值问题上准确率达80.4%，为金融问答提供基线并揭示其局限性。

Comments 19 pages, 10 figures

DaPT: A Dual-Path Framework for Multilingual Multi-hop Question Answering

DaPT：一种多语言多跳问答的双路径框架

Yilin Wang, Yuchun Fan, Jiaoyang Li, Ziming Zhu, Yongyu Mu, Qiaozhi He, Tong Xiao, Jingbo Zhu

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） ； NiuTrans Research, Shenyang, China（牛译科研） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出DaPT框架，通过构建多语言多跳问答基准并采用双语检索与回答策略，解决多语言多跳问答中的基准缺失和语义依赖问题，实验表明其在MuSiQue基准上平均EM得分提升18.3%。

Comments Accepted by ICASSP 2026

GlobalRAG: Enhancing Global Reasoning in Multi-hop Question Answering via Reinforcement Learning

GlobalRAG: 通过强化学习增强多跳问答中的全局推理

Jinchang Luo, Mingquan Cheng, Fan Wan, Ni Li, Xiaoling Xia, Shuangshuang Tian, Tingcheng Bian, Haiwei Wang, Haohuan Fu, Yan Tao

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

AI总结 GlobalRAG通过强化学习框架提升多跳问答的全局推理能力，引入规划质量奖励和子目标完成奖励，结合渐进权重退火策略，有效解决多步推理中的全局规划和执行不一致问题。

Comments 8 pages, 3 figures, 4 tables

CoRect: Context-Aware Logit Contrast for Hidden State Rectification to Resolve Knowledge Conflicts

CoRect: 用于隐藏状态校正的上下文感知logit对比以解决知识冲突

Xuhua Ma, Richong Zhang, Zhijie Nie

机构 * Beihang University（北航大学） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

AI总结 CoRect通过上下文感知logit对比校正隐藏状态，解决模型内部参数化知识与检索证据之间的冲突，提升生成任务的忠实度和减少幻觉。

A Human-in-the-Loop, LLM-Centered Architecture for Knowledge-Graph Question Answering

面向知识图谱问答的人机协同、大语言模型中心架构

Larissa Pusch, Alexandre Courtiol, Tim Conrad

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.IR、cs.CL

AI总结 本文提出一种人机协同的大语言模型中心架构，用于知识图谱问答，通过生成Cypher查询并让用户逐步优化，提升复杂数据集的可访问性并保持事实准确性。

A Systematic Analysis of Chunking Strategies for Reliable Question Answering

对可靠问答系统中分块策略的系统分析

Sofia Bennani, Charles Moslonka

机构 * Artefact Research Center（Artifact研究中心） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.IR、cs.CL

AI总结 本文通过系统分析，探讨了不同分块策略对RAG系统可靠性的影响，发现句子分块在成本效率上最优，且上下文长度对性能有显著影响。

Comments 3 pages, 2 figures, 1 table, pre-print

Multi-step retrieval and reasoning improves radiology question answering with large language models

多步检索与推理提升大型语言模型在放射学问答中的表现

Sebastian Wind, Jeta Sopa, Daniel Truhn, Mahshad Lotfinia, Tri-Thien Nguyen, Keno Bressem, Lisa Adams, Mirabela Rusu, Harald Köstler, Gerhard Wellein, Andreas Maier, Soroosh Tayebi Arasteh

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

AI总结 RaR通过多步检索与推理提升放射学问答中大型语言模型的诊断准确性和事实一致性。

Comments Published in npj Digital Medicine

Journal ref npj Digit. Med. 8, 790 (2025)

Simulated patient systems powered by large language model-based AI agents offer potential for transforming medical education

基于大语言模型的AI代理的模拟患者系统有潜力改变医学教育

Huizi Yu, Jiayan Zhou, Lingyao Li, Shan Chen, Jack Gallifant, Anye Shi, Xiang Li, Jingxian He, Wenyue Hua, Mingyu Jin, Guang Chen, Yang Zhou, Zhao Li, Trisha Gupte, Ming-Li Chen, Zahra Azizi, Qi Dou, Bryan P. Yan, Yongfeng Zhang, Yanqiu Xing, Themistocles L. Danielle S. Bitterman, Themistocles L. Assimes, Xin Ma, Lin Lu, Lizhou Fan

专题命中 知识库问答 ：retrieval augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

AI总结 基于大语言模型的AI代理构建的模拟患者系统在医学教育中展现出高保真度和教育价值，优于人类模拟患者。

Comments 19 pages, 6 figures, 4 tables

ReFactX: Scalable Reasoning with Reliable Facts via Constrained Generation

Riccardo Pozzi, Matteo Palmonari, Andrea Coletta, Luigi Bellomarini, Jens Lehmann, Sahar Vahdati

机构 * University of Milano-Bicocca（米兰-比科卡大学） ； Banca d'Italia（意大利银行） ； Institute for Applied Informatics (InfAI)（应用信息研究所） ； TIB Leibniz Information Centre for Science and Technology（科学与技术信息中心） ； ScaDS.AI Dresden/Leipzig（ScaDS.AI 德累斯顿/莱比锡分校） ； Technische Universität Dresden（德累斯顿技术大学） ； Data Science Institute（数据科学研究所） ； Leibniz University Hannover（汉诺威莱布尼茨大学） ； Amazon（亚马逊） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

Comments 19 pages, 6 figures, accepted at ISWC

Journal ref The Semantic Web - ISWC 2025. ISWC 2025. Lecture Notes in Computer Science, vol 16140. Springer, Cham

From Retrieval to Generation: Unifying External and Parametric Knowledge for Medical Question Answering

Lei Li, Xiao Zhou, Yingying Zhang, Xian Wu

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学北京校区人工智能学院） ； Tencent Jarvis Lab（腾讯 Jarvis 实验室） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

Comments 13 pages, 4 figures

Can we Evaluate RAGs with Synthetic Data?

Jonas van Elburg, Peter van der Putten, Maarten Marx

机构 * IRLab, Informatics Institute, UvA, Amsterdam, the Netherlands（IR实验室、信息研究所、乌得勒支大学、阿姆斯特丹、荷兰） ； AI Lab, Pegasystems, Amsterdam, the Netherlands（AI实验室、佩加系统的阿姆斯特丹分部） ； LIACS, Leiden University, Leiden, the Netherlands（LIACS、莱顿大学、莱顿、荷兰） 纠错

专题命中 知识库问答 ：RAG(abstract)；retriever(abstract)；分类 cs.CL、cs.AI

Comments Accepted for the SynDAiTE workshop at the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML-PKDD 2025), September 15, 2025 - Porto, Portugal

AI Knowledge Assist: An Automated Approach for the Creation of Knowledge Bases for Conversational AI Agents

Md Tahmid Rahman Laskar, Julien Bouvier Tremblay, Xue-Yong Fu, Cheng Chen, Shashi Bhushan TN

机构 * Dialpad Inc.（Dialpad公司） 纠错

专题命中 知识库问答 ：retrieval augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

Comments Accepted to the EMNLP 2025 Industry Track

CoCoA: Collaborative Chain-of-Agents for Parametric-Retrieved Knowledge Synergy

Yi Jiang, Sendong Zhao, Jianbo Li, Haochun Wang, Lizhe Zhang, Yan Liu, Bing Qin

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； China Mobile Group Heilongjiang Co.,Ltd（中国移动集团黑龙江公司） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

Comments code available at https://github.com/liunian-Jay/CoCoA

MEBench: Benchmarking Large Language Models for Cross-Document Multi-Entity Question Answering

Teng Lin, Yuyu Luo, Honglin Zhang, Jicheng Zhang, Chunlin Liu, Kaishun Wu, Nan Tang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； China Mobile Information Technology Company Limited（中国移动信息技术有限公司） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.DB

Comments EMNLP2025 Main

Reference-Aligned Retrieval-Augmented Question Answering over Heterogeneous Proprietary Documents

Nayoung Choi, Grace Byun, Andrew Chung, Ellie S. Paek, Shinsun Lee, Jinho D. Choi

机构 * Department of Computer Science Emory University Atlanta Georgia USA（计算机科学系 埃默里大学 阿拉巴马 州 美国） ； Emory University（埃默里大学） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.IR、cs.AI

Comments Accepted to CIKM 2025 Applied Research Track

LoRA-Augmented Generation (LAG) for Knowledge-Intensive Language Tasks

William Fleshman, Benjamin Van Durme

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

It's High Time: A Survey of Temporal Question Answering

Bhawna Piryani, Abdelrahman Abdallah, Jamshid Mozafari, Avishek Anand, Adam Jatowt

机构 * University of Innsbruck（因斯布鲁克大学） ； Delft University of Technology（代尔夫特理工大学） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.IR、cs.CL

A Graph-based Approach for Multi-Modal Question Answering from Flowcharts in Telecom Documents

Sumit Soman, H. G. Ranjani, Sujoy Roychowdhury, Venkata Dharma Surya Narayana Sastry, Akshat Jain, Pranav Gangrade, Ayaaz Khan

机构 * Ericsson R&D Bangalore Karnataka India（爱立信研发部班加罗尔卡纳塔克邦印度） 纠错

专题命中 知识库问答 ：retrieval augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

Comments Accepted for publication at the KDD 2025 Workshop on Structured Knowledge for Large Language Models

Know Or Not: a library for evaluating out-of-knowledge base robustness

Jessica Foo, Pradyumna Shyama Prasad, Shaun Khoo

机构 * GovTech Singapore（新加坡政府科技局） ； National University of Singapore（国立新加坡大学） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.IR、cs.AI

Beyond Independent Passages: Adaptive Passage Combination Retrieval for Retrieval Augmented Open-Domain Question Answering

Ting-Wen Ko, Jyun-Yu Jiang, Pu-Jen Cheng

机构 * National Taiwan University（国立台湾大学） ； Amazon Search（亚马逊搜索） ； University College London（伦敦大学学院） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

BR-TaxQA-R: A Dataset for Question Answering with References for Brazilian Personal Income Tax Law, including case law

Juvenal Domingos Júnior, Augusto Faria, E. Seiti de Oliveira, Erick de Brito, Matheus Teotonio, Andre Assumpção, Diedre Carmo, Roberto Lotufo, Jayr Pereira

机构 * Universidade Estadual de Campinas（坎皮纳斯州立大学） ； Universidade Federal do Cariri（卡拉里联邦大学） ； National Center for State Courts（州法院国家中心） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

Automatic Dataset Generation for Knowledge Intensive Question Answering Tasks

Sizhe Yuen, Ting Su, Ziyang Wang, Yali Du, Adam J. Sobey

机构 * The Alan Turing Institute（艾伦·图灵研究所） ； King’s College London（伦敦国王学院） ； University of Southampton（南安普顿大学） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

KBAlign: Efficient Self Adaptation on Specific Knowledge Bases

Zheni Zeng, Yuxuan Chen, Shi Yu, Ruobing Wang, Yukun Yan, Zhenghao Liu, Shuo Wang, Xu Han, Zhiyuan Liu, Maosong Sun

机构 * Tsinghua University（清华大学） ； Northeastern University（东北大学） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI