RAG / 检索增强生成

A Model Context Protocol Server for Astrophysical RAG: Unified Access to HI, Dwarf, Globular Cluster, IntZ, and ALPINE Kinematic Corpora with FAISS Semantic Search

用于天体物理RAG的模型上下文协议服务器：通过FAISS语义搜索统一访问HI、矮星系、球状星团、IntZ和ALPINE运动学语料库

David C. Flynn

专题命中 向量检索 ：RAG(title,title_cn)

AI总结 介绍EPS Research Astro-RAG MCP Server v2.3.0，可跨平台统一访问五个天体物理语料库。核心方法是用FAISS加速自然语言相似性搜索，贡献是提供多接口，实现多种功能且可公开部署、完全可重现。

Comments 10 Pages 3 Tables 1 figure

SPI: Query-Depth-Adaptive Indexing for Streaming RAG in Vector Databases

SPI：向量数据库中流式RAG的查询深度自适应索引

Dong Liu, Yanxuan Yu

机构 * Yale University（耶鲁大学） ； Columbia University（哥伦比亚大学） 纠错

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

AI总结 提出语义金字塔索引（SPI），通过多级分辨率组织和不确定性感知控制器实现查询深度自适应，支持流式插入和渐进式ANN搜索，在MS MARCO和Natural Questions上相比基线实现1.4-2.3倍延迟降低。

TreeHop: Efficient Embedding-Level Query Rewriter

TreeHop：高效的嵌入层查询重写器

Zhonghao Li, Kunpeng Zhang, Jinghuai Ou, Shuliang Liu, Xuming Hu

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

AI总结 TreeHop是一种无需LLM的嵌入层MHQA框架，通过精简循环降低计算开销，在四个开放域MHQA数据集上性能与先进RAG相当，参数仅为现有方案2.2%-29.4%，延迟降低92.8%-97.8%。

Comments 8 pages

From Embedding Geometry to Spectral Search: Energy Dispersion Networks For Vector Retrieval

从嵌入几何到谱搜索：面向向量检索的能量色散网络

Lorenzo Moriondo, Ilias Azizi

专题命中 向量检索 ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；vector search(abstract)；分类 cs.IR

AI总结 提出图布线框架，利用特征空间谱结构改进向量检索，通过谱索引和τ调制实现几何与谱信息的融合，提升头尾一致性和语义对齐。

CRINN: Contrastive Reinforcement Learning for Approximate Nearest Neighbor Search

CRINN：用于近似最近邻搜索的对比强化学习

Xiaoya Li, Albert Wang, Guoyin Wang, Chris Shum, Jiwei Li

机构 * DeepReinforce Team（深强化团队） 纠错

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

AI总结 研究针对近似最近邻搜索算法，提出CRINN新范式，将其优化视为强化学习问题，以执行速度为奖励信号，实验证明该方法在多个基准数据集上有效，且其成功验证了强化学习增强语言模型用于算法优化的有效性。

Comments Preprint Version

CLIP: Lightweight Cosine-Law-Based Inverted-List Pruning for IVF-Based Vector Search

CLIP：基于余弦定律的轻量级倒排列表剪枝技术用于IVF向量搜索

Yitong Song, Shuhang Lu, Pengcheng Zhang, Jianliang Xu

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

AI总结 针对IVF向量搜索中粗粒度执行导致高延迟的问题，提出基于余弦定律的轻量级剪枝技术CLIP，支持簇间和簇内剪枝，显著减少不必要的簇和向量访问，并开发了IVF-CLIP、HIVF-CLIP和LSM-IVF三种变体，实验表明剪枝率达78%，效率提升最高141%。

VIBE: Vector Index Benchmark for Embeddings

VIBE：用于嵌入的向量索引基准测试

Elias Jääsaari, Ville Hyvönen, Matteo Ceccarello, Teemu Roos, Martin Aumüller

专题命中 向量检索 ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.IR

AI总结 本研究针对现有ANN基准数据集无法代表现代应用的问题，推出开源VIBE框架，含分布内外数据集，评估22个向量索引，为ANN算法提供最新基准测试。

Comments The 2nd Workshop on Vector Databases (VecDB@VLDB2026)

OrchANN: Hierarchical Orchestration for Skewed Out-of-Core Vector Search

OrchANN：用于倾斜的核外向量搜索的分层编排

Lizheng Chen, Pinhuan Wang, Shaonan Ma, Jie Zhang, Qing Wang, Zhengyi Yang, Heng Zhang, Mingxing Zhang, Fan Yang, Guihai Chen, Chen Tian, Chengying Huan

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

AI总结 研究在十亿规模下近似最近邻搜索的核外问题，提出OrchANN引擎，通过编排查询路由等，在严格内存限制下存储簇并利用图抽象，提升了QPS并降低延迟，比现有基线在准确性和效率平衡上表现更优。

Comments Substantially revised version; updated title, author order, and abstract

More Than Efficiency: Embedding Compression Improves Domain Adaptation in Dense Retrieval

超越效率：嵌入压缩改善密集检索中的领域适应

Chunsheng Zuo, Daniel Khashabi

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

AI总结 针对密集检索中训练与目标领域分布不匹配的问题，提出对查询嵌入进行PCA压缩以保留领域相关特征并丢弃非判别成分，在9个检索器和14个MTEB数据集上验证了该方法能有效提升检索性能。

Comments Oral at SURGeLLM 2026 Workshop at ACL 2026

Panorama: Fast-Track Nearest Neighbors

全景图：快速跟踪最近邻

Vansh Ramani, Alexis Schlomer, Akash Nayar, Sayan Ranu, Jignesh M. Patel, Panagiotis Karras

机构 * Carnegie Mellon University（卡内基梅隆大学） ； IIT Delhi（德里印度理工学院） ； UCPH（乌兹堡大学） ； Indian Institute of Technology Delhi（德里印度理工学院） ； University of Copenhagen（哥本哈根大学） 纠错

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

AI总结 针对高维神经嵌入的近似最近邻搜索，提出PANORAMA技术，利用嵌入固有频谱衰减加速验证，通过PCA压缩信号能量，增量评估候选距离，解决与乘积量化假设冲突问题，在FAISS库中优化，实现加速。

RCEM: Robust Conversational Search EMbedder in Distributional Shift

RCEM：配备查询重写技能的嵌入器，用于分布偏移下的鲁棒对话搜索

Kilho Son, Paul Hsu, Cha Zhang, Dinei Florencio

机构 * Microsoft（微软） 纠错

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

AI总结 提出RCEM模型，通过将LLM的查询重写能力蒸馏到嵌入模型中，实现无需显式重写的上下文感知检索，在分布偏移下提升鲁棒性。

DIVE: Embedding Compression via Self-Limiting Gradient Updates

DIVE: 通过自限制梯度更新实现嵌入压缩

Dongfang Zhao

机构 * University of Washington Tacoma School of Engineering and Technology（华盛顿大学塔可姆分校工程与技术学院） 纠错

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

AI总结 本文提出DIVE方法，通过自限制的三元组损失和头级NT-Xent对比损失解决嵌入压缩中因标注数据稀缺导致的过拟合问题，提升了检索性能。

Hybrid privacy-aware semantic search: SVD-truncated document geometry and CKKS-encrypted query reranking under a restricted threat model

混合隐私感知语义搜索：受限威胁模型下基于SVD截断文档几何与CKKS加密查询重排序

Sergey Kurilenko

机构 * Moscow Institute of Physics and Technology（莫斯科物理技术学院） 纠错

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

AI总结 提出一种混合隐私保护方案，利用SVD截断和秘密旋转保护文档集合，CKKS同态加密保护查询，在百万文档规模下实现亚秒级延迟并保持排序质量，证明对受限攻击者的重构误差下界。

Index SLM Technical Report

索引SLM技术报告

Tianjiao Li, Lusheng Zhang, Shien He, Xiaojing Liu, Tianxing Yan, Mengran Yu, Ziang Cui, Kai Zhao, Yang Liu, Yuxin Li

机构 * Bilibili（哔哩哔哩） 纠错

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

AI总结 哔哩哔哩开发Index-1.9B系列小语言模型，包括基础模型等四个模型。预训练采用特定方法，Index-1.9B-Base在标准基准测试表现出色，还进行了多项控制研究，所有模型及评估代码已公开。

Comments 16 pages, 9 figures. v2: updated author list (added Yang Liu and Yuxin Li; marked core contributors and project lead) and added a release-date note on the first page

Conan-embedding-v3: Fusing Modality-Specific Models for Omni-Modal Embedding

Conan-embedding-v3: 融合模态特定模型实现全模态嵌入

Shiyu Li, Zhiyuan Hu, Yifan Wang, Peiming Li, Zheng Wei, Yang Tang

机构 * Tencent（腾讯） 纠错

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

AI总结 提出解耦-融合-恢复框架，通过独立训练模态专家并融合任务向量，再使用投影器恢复和平衡多模态重演解决投影器漂移问题，实现单一骨干网络支持文本、图像、视频、文档和音频检索。

Ascend-RaBitQ: Heterogeneous NPU-CPU Acceleration of Billion-Scale Similarity Search with 1-bit Quantization

Ascend-RaBitQ: 1位量化支持十亿级相似性搜索的异构NPU-CPU加速

Fujun He, Chuyue Ye, Huaxiang Cai, Zetao Lv, Baolong Cui, Wenru Yan, Chao Zhan, Zigang Zhang, Hao Yi, Jie Xiang, Xiabing Li, Yuhang Gai, Ziyang Zhang, Pengfei Zheng, Yunfei Du

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

AI总结 本文提出Ascend-RaBitQ，通过异构NPU-CPU架构实现十亿级向量搜索，利用1位量化技术提升性能，解决传统CPU在大规模数据处理中的效率瓶颈。