RAG / 检索增强生成

Verbalized Algorithms: Classical Algorithms are All You Need (Mostly)

言语化算法：经典算法就是你所需要的（大部分）

Supriya Lall, Christian Farrell, Hari Pathanjaly, Marko Pavic, Sarvesh Chezhian, Masataro Asai

机构 * MIT CSAIL（MIT 计算与人工智能实验室） ； MIT-IBM Watson AI Lab（MIT-IBM 沃森人工智能实验室） ； IBM Infrastructure（IBM 基础设施） ； Marist University（马里斯特大学） ； UC Irvine（加州大学尔湾分校） ； IBM Research Cambridge, USA（IBM 英国剑桥研究中心） 纠错

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

AI总结 提出言语化算法（VA）范式，将LLM作为可靠的基本操作（如字符串比较）集成到经典算法中，以提升推理的准确性和效率。

Comments Accepted in NeurIPS 2025 Workshop on Efficient Reasoning; Submitted to Position Paper Track at Neurips 2026

Episodic-Semantic Memory Architecture for Long-Horizon Scientific Agents

用于长周期科学代理的事件-语义记忆架构

Nikola Milosevic

机构 * Serbian Institute for Artificial Intelligence Research and Development（塞尔维亚人工智能研究与发展研究所） ； Bayer A.G.（勃林格殷曼有限公司） 纠错

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

AI总结 本文提出了一种双过程记忆架构，用于解决科学代理在长周期任务中面临的情境窗口饱和问题，通过分离即时事件需求和长期知识整合，提升了在大规模科学工作流中的表现和可扩展性。

Gated KalmaNet: A Fading Memory Layer Through Test-Time Ridge Regression

门控KalmaNet：通过测试时岭回归实现渐逝记忆层

Liangzu Peng, Aditya Chattopadhyay, Luca Zancato, Elvis Nunez, Wei Xia, Stefano Soatto

机构 * University of Pennsylvania（宾夕法尼亚大学） ； AWS Agentic AI（AWS 代理人工智能） 纠错

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

AI总结 本文提出门控KalmaNet（GKA），通过测试时岭回归实现渐逝记忆层，解决了线性状态空间模型（SSMs）在记忆过去信息时的效率与精度问题，展示了GKA在短上下文任务和长上下文任务中的优越性能。

Comments 30 pages, 10 figures. Accepted at CVPR 2026

A3D: Agentic AI flow for autonomous Accelerator Design

A3D: 基于代理AI的自主加速器设计流程

Abinand Nallathambi, Christopher Knight, Shantanu Ganguly, Wilfried Haensch, Anand Raghunathan

机构 * Purdue University（普渡大学） ； Argonne National Laboratory（阿贡国家实验室） ； University of Chicago（芝加哥大学） 纠错

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

AI总结 A3D通过代理AI实现端到端的硬件加速器设计自动化，自动分析工作负载、识别性能瓶颈、生成微架构并探索速度-面积权衡空间，利用LLM和EDA工具提升复杂应用的加速器设计效率。

MiA-Signature: Approximating Global Activation for Long-Context Understanding

MiA-Signature：近似全局激活以实现长上下文理解

Yuqing Li, Jiangnan Li, Mo Yu, Zheng Lin, Weiping Wang, Jie Zhou

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； Pattern Recognition Center, WeChat AI, Tencent（微信AI模式识别中心） ； Hunyuan Team, Tencent（腾讯文心一言团队） 纠错

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

AI总结 本文提出MiA-Signature，通过压缩表示近似全局激活对下游处理的影响，提升长上下文理解任务的性能。

Comments This is a work in progress; we will continue to revise and improve the manuscript

ReMedi: Reasoner for Medical Clinical Prediction

ReMedi：医疗临床预测的推理器

Yushi Cao, Yiming Chen, Hongchao Jiang, Hung-yi Lee, Robby T. Tan

机构 * ASUS Intelligent Cloud Services (AICS)（ASUS智能云服务（AICS）） ； NTU Artificial Intelligence Center of Research Excellence (NTU AI-CoRE)（国立科技大学人工智能研究中心（NTU AI-CoRE）） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 ReMedi通过生成推理-答案对提升电子健康记录的临床预测能力，利用真实答案提示增强推理过程，实验显示在多个任务中F1得分提升达19.9%。

Comments ACL 2026 findings

How Large Language Models Balance Internal Knowledge with User and Document Assertions

大型语言模型如何在内部知识与用户和文档断言之间取得平衡

Shuowei Li, Haoxin Li, Wenda Chu, Yi Fang

机构 * Santa Clara University（圣克拉拉大学） ； Nanyang Technological University（南洋理工大学） ； California Institute of Technology（加州理工学院） 纠错

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

AI总结 本文研究了大型语言模型在处理内部知识与外部信息时的平衡问题，提出三源交互框架，评估27个模型，发现模型更依赖文档断言，且通过微调可提升其区分能力。

Comments Findings of ACL 2026

Mol-Debate: Multi-Agent Debate Improves Structural Reasoning in Molecular Design

Mol-Debate：多智能体辩论提升分子设计中的结构推理

Wengyu Zhang, Xiao-Yong Wei, Qing Li

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Sichuan University（四川大学） 纠错

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

AI总结 本文提出Mol-Debate框架，通过生成-辩论-细化循环提升分子设计中的结构推理能力，实验显示其在多个基准测试中表现优异。

LLMOrbit: A Circular Taxonomy of Large Language Models -From Scaling Walls to Agentic AI Systems

LLMOrbit：大型语言模型的圆形分类法——从扩展壁垒到智能体AI系统

Badri N. Patro, Vijay S. Agneeswaran

机构 * Microsoft（微软） 纠错

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

AI总结 本文提出LLMOrbit，通过八个维度分析2019-2025年50余种大型语言模型，揭示数据稀缺、成本激增和能源消耗三大危机，并提出六种突破扩展壁垒的范式，推动生成AI和智能体系统的发展。

SE-Search: Self-Evolving Search Agent via Memory and Dense Reward

SE-Search: 通过记忆和密集奖励实现的自进化搜索代理

Jian Li, Yizhang Jin, Dongqi Liu, Hang Ding, Jiafu Wu, Dongsheng Chen, Yunhang Shen, Yulei Qin, Ying Tai, Chengjie Wang, Xiaotong Yuan, Yabiao Wang

机构 * Nanjing University（南京大学） ； Tencent YoutuLab（腾讯优图实验室） 纠错

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

AI总结 SE-Search通过记忆净化、原子查询训练和密集奖励提升搜索效率，优于现有基线方法。

FrugalRAG: Less is More in RL Finetuning for Multi-Hop Question Answering

FrugalRAG: 在多跳问答中少即是多

Abhinav Java, Srivathsan Koundinyan, Nagarajan Natarajan, Amit Sharma

机构 * Microsoft Research India（微软印度研究院） 纠错

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

AI总结 FrugalRAG通过强化学习减少检索步骤，实现多跳问答任务的高效准确权衡。

$π$-CoT: Prolog-Initialized Chain-of-Thought Prompting for Multi-Hop Question-Answering

$π$-CoT：基于Prolog初始化的多跳问答链式思维提示法

Chao Wan, Albert Gong, Mihir Mishra, Carl-Leander Henneking, Claas Beger, Kilian Q. Weinberger

机构 * cornell（康奈尔大学） 纠错

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

AI总结 $π$-CoT通过结合逻辑编程与语言模型，提升多跳问答性能，优于传统RAG和CoT方法。

Intent-Driven Dynamic Chunking: Segmenting Documents to Reflect Predicted Information Needs

基于意图的动态分块：使文档分块反映预测的信息需求

Christos Koutsiaris

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

AI总结 本文提出基于意图的动态分块方法，通过预测用户查询优化文档分块，提升检索性能，尤其在长文档中效果显著。

Comments 8 pages, 4 figures. Code available at https://github.com/unseen1980/IDC

FreeChunker: A Cross-Granularity Chunking Framework

FreeChunker: 一种跨粒度分块框架

Wenxuan Zhang, Yuan-Hao Jiang, Yang Cao, Yonghe Wu

机构 * Shanghai Institute of Artificial Intelligence for Education, East China Normal University, China（上海教育人工智能研究院，东华师范大学，中国） ； Education Technology, East China Normal University, China（教育技术，东华师范大学，中国） 纠错

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

AI总结 FreeChunker提出了一种跨粒度分块框架，通过灵活的检索支持任意句子组合，提升了RAG系统在复杂查询中的适应性和效率。

Comments Submitted to arXiv, October 2025

OpenMic: A Multi-Agent-Based Stand-Up Comedy Generation System

OpenMic: 基于多智能体的站立喜剧生成系统

Yuyang Wu, Hanzhong Cao, Jianhao Chen, Yufei Li

机构 * School of Electronics Engineering and Computer Science, Peking University（电子工程与计算机科学学院，北京大学） 纠错

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

AI总结 OpenMic通过多智能体系统生成基于文化背景的站立喜剧，结合检索增强生成和专用JokeWriter提升幽默与节奏表现。

ActiShade: Activating Overshadowed Knowledge to Guide Multi-Hop Reasoning in Large Language Models

ActiShade: 通过激活被遮蔽的知识来指导大语言模型的多跳推理

Huipeng Ma, Luan Zhang, Dandan Song, Linmei Hu, Yuhang Tian, Jun Yang, Changzhi Zhou, Chenhao Li, Yizhou Jin, Xudong Li, Meng Lin, Mingxing Zhang, Shuhao Zhang

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

AI总结 ActiShade通过激活被遮蔽的知识来提升大语言模型在多跳推理中的表现。

Comments Accepted to AAAI 2026

Multi-hop Reasoning via Early Knowledge Alignment

通过早期知识对齐实现多跳推理

Yuxin Wang, Shicheng Fang, Bo Wang, Qi Luo, Xuanjing Huang, Yining Zheng, Xipeng Qiu

机构 * Computer Science, Fudan University（复旦大学计算机科学系） ； Institute of Modern Languages and Linguistics, Fudan University（复旦大学现代语言与语言学研究所） ； Shanghai SII（上海SII） 纠错

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

AI总结 EKA通过早期知识对齐提升多跳推理效率，增强检索精度和系统性能。

Comments 16 pages

Spatially-Grounded Document Retrieval via Patch-to-Region Relevance Propagation

通过补丁到区域相关性传播实现空间感知的文档检索

Athos Georgiou

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 通过结合ColPali的补丁相似性与OCR区域，实现更精确的文档检索，提升RAG任务中的上下文相关性

Comments 21 pages, 6 figures, 8 tables. Includes ancillary files with full benchmark results and ablation studies. Code available at https://github.com/athrael-soju/Snappy

InvisibleInk: High-Utility and Low-Cost Text Generation with Differential Privacy

InvisibleInk: 基于差分隐私的高效低成本文本生成

Vishnu Vinod, Krishna Pillutla, Abhradeep Guha Thakurta

机构 * CeRAI, IIT Madras（CeRAI，IIT马德拉斯） ； WSAI, IIT Madras（WSAI，IIT马德拉斯） ； Google DeepMind（谷歌DeepMind） 纠错

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

AI总结 InvisibleInk通过差分隐私保证，在降低计算成本的同时生成高质量隐私保护的长文本。

Comments Published at NeurIPS 2025

Concept than Document: Context Compression via AMR-based Conceptual Entropy

概念而非文档：基于AMR的概念熵进行上下文压缩

Kaize Shi, Xueyao Sun, Xiaohui Tao, Lin Li, Qika Lin, Guandong Xu

机构 * University of Southern Queensland（南方昆士兰大学） ； University of Technology Sydney（技术悉尼大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Wuhan University of Technology（武汉理工大学） ； National University of Singapore（新加坡国立大学） ； The Education University of Hong Kong（香港教育大学） 纠错

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

AI总结 本文提出基于AMR的概念熵方法，通过压缩上下文保留核心语义，提升RAG任务的准确性和效率。

ToM: Leveraging Tree-oriented MapReduce for Long-Context Reasoning in Large Language Models

Jiani Guo, Zuchao Li, Jie Wu, Qianren Wang, Yun Li, Lefei Zhang, Hai Zhao, Yujiu Yang

机构 * School of Computer Science, Wuhan University, Wuhan, China（武汉大学计算机学院） ； School of Artificial Intelligence, Wuhan University, Wuhan, China（武汉大学人工智能学院） ； Tsinghua University（清华大学） ； Cognitive AI Lab（认知人工智能实验室） ； School of Computer Science, Shanghai Jiao Tong University, Shanghai, China（上海交通大学计算机学院） 纠错

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

Comments EMNLP 2025 Main Conference

Investigating Factuality in Long-Form Text Generation: The Roles of Self-Known and Self-Unknown

Lifu Tu, Rui Meng, Shafiq Joty, Yingbo Zhou, Semih Yavuz

机构 * Salesforce AI Research（Salesforce人工智能研究） 纠错

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

Large Language Models with Temporal Reasoning for Longitudinal Clinical Summarization and Prediction

Maya Kruse, Shiyue Hu, Nicholas Derby, Yifu Wu, Samantha Stonbraker, Bingsheng Yao, Dakuo Wang, Elizabeth Goldberg, Yanjun Gao

机构 * University of Colorado Anschutz Medical Campus（科罗拉多大学安舒茨医学校园） ； University of Colorado Boulder（科罗拉多大学波德分校） ； Northeastern University（东北大学） 纠错

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

SimInterview: Transforming Business Education through Large Language Model-Based Simulated Multilingual Interview Training System

Truong Thanh Hung Nguyen, Tran Diem Quynh Nguyen, Hoang Loc Cao, Thi Cam Thanh Tran, Thi Cam Mai Truong, Hung Cao

机构 * Analytics Everywhere Lab, University of New Brunswick, Canada（新不伦瑞克大学分析 everywhere 实验室） ； University of Foreign Language Studies, University of Danang, Vietnam（越南丹绒大学外语学院） ； Faculty of Information Technology, University of Science, VNU-HCM, Vietnam（越南胡志明市大学信息科技学院） ； Faculty of Economics and Accounting, Quy Nhon University, Vietnam（越南奎隆大学经济与会计学院） ； Faculty of Natural Sciences, Quy Nhon University, Vietnam（越南奎隆大学自然科学学院） 纠错

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

Comments Published as a conference paper at ICEFM 2025

A Survey of Context Engineering for Large Language Models

Lingrui Mei, Jiayu Yao, Yuyao Ge, Yiwei Wang, Baolong Bi, Yujun Cai, Jiazhi Liu, Mingyu Li, Zhong-Zhi Li, Duzhen Zhang, Chenlin Zhou, Jiayi Mao, Tianze Xia, Jiafeng Guo, Shenghua Liu

机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； University of California, Merced（加州大学默塞德分校） ； The University of Queensland（昆士兰大学） ； Peking University（北京大学） ； Tsinghua University（清华大学） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

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

Comments ongoing work; 166 pages, 1411 citations

Extracting Document Relations from Search Corpus by Marginalizing over User Queries

Yuki Iwamoto, Kaoru Tsunoda, Ken Kaneiwa

机构 * The University of Electro-Communications（东京电波通信大学） 纠错

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

Comments 9 pages, 6 figures

NovelHopQA: Diagnosing Multi-Hop Reasoning Failures in Long Narrative Contexts

Abhay Gupta, Michael Lu, Kevin Zhu, Sean O'Brien, Vasu Sharma

机构 * Algoverse AI Research（Algoverse AI研究机构） ； University of California, Berkeley（加州大学伯克利分校） ； Meta FAIR Lab（Meta FAIR实验室） 纠错

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

Lessons from Training Grounded LLMs with Verifiable Rewards

Shang Hong Sim, Tej Deep Pala, Vernon Toh, Hai Leong Chieu, Amir Zadeh, Chuan Li, Navonil Majumder, Soujanya Poria

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

Optimizing Question Semantic Space for Dynamic Retrieval-Augmented Multi-hop Question Answering

Linhao Ye, Lang Yu, Zhikai Lei, Qin Chen, Jie Zhou, Liang He

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

Rethinking Chunk Size For Long-Document Retrieval: A Multi-Dataset Analysis

Sinchana Ramakanth Bhat, Max Rudat, Jannis Spiekermann, Nicolas Flores-Herr

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