RAG / 检索增强生成

FD-RAG: Federated Dual-System Retrieval-Augmented Generation

FD-RAG: 联邦双系统检索增强生成

Tianhao Gao, Kai Yang, Yiyang Li

机构 * School of Computer Science and Technology（计算机科学与技术学院） 纠错

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

AI总结 提出FD-RAG框架，通过解耦轻量级记忆访问与按需LLM推理，并利用语义感知自适应超图蒸馏为紧凑QA记忆，在联邦设置下实现高效、隐私保护的检索增强生成。

HyCE-RAG: Hypergraph Chain-of-Evidence Retrieval-Augmented Generation for Explainable Multi-hop Question Answering

HyCE-RAG：用于可解释多跳问答的超图证据链检索增强生成

Hong-Yu An, Yun-Jian Zhang, Chen-Wei Liang, Tian-Yi Zhang, Jian Ding, Yi-Lun Wu, Ao-Bo Li, Wei-Cong Su, Saifullah, Mujiangshan Wang

机构 * University of Macau（澳门大学） ； Shenzhen Kaihong Digital Industry Development Co., Ltd.（深圳开鸿数字产业发展有限公司） ； University of New South Wales（新南威尔士大学） ； Zhejiang University（浙江大学） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） 纠错

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

AI总结 研究可解释多跳问答，提出HyCE-RAG框架，将实体等组织成超边构建超图，经置信度传播和证据组装选择连接证据路径，评分时考虑多种因素，实验证明其在多方面优于标准和基于图的RAG基线，为复杂问答检索后推理提供新方向。

Comments 15 pages, 3 figures, 4 tables

VDGR-RAG: Vectors, Directories, Graphs, and Reflection Are All You Need for Unified Reasoning over Hierarchical Enterprise Knowledge

VDGR-RAG：向量、目录、图与反思——统一分层企业知识推理所需的一切

Wenqi Chen, Haofei Yang, Rui Yang, Fangming Li

机构 * Huawei Technologies（华为技术有限公司） 纠错

专题命中 知识库问答 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；vector search(abstract)；knowledge retrieval(abstract)

AI总结 针对现有RAG方法在企业知识问答中存在的局限，提出整合向量、目录、图与反思的VDGR-RAG智能体GraphRAG系统，经实验其在召回率和准确率上均优于多种RAG基线。

Same Question, Different Source, Different Answer: Auditing Source-Dependence in Medical Multi-Source RAG

同一问题，不同来源，不同答案：审计医学多源RAG中的来源依赖性

Yubo Li, Rema Padman, Ramayya Krishnan

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本文提出来源依赖性作为NLP评估缺失的维度，通过构建移植患者教育基准TransplantQA、分层检索策略HERO-QA和结构化输出评判器，审计多源RAG系统中同一问题因检索来源不同而给出不同答案的失败模式。

In-depth Analysis of Graph-based RAG in a Unified Framework

基于统一框架的图基RAG深入分析

Yingli Zhou, Yaodong Su, Youran Sun, Shu Wang, Taotao Wang, Runyuan He, Yongwei Zhang, Sicong Liang, Xilin Liu, Yuchi Ma, Yixiang Fang

机构 * The Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳）） ； Huawei Cloud Computing Technologies Co., Ltd.（华为云计算技术有限公司） 纠错

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

AI总结 本文基于统一框架对图基RAG方法进行深入分析，比较了多种QA数据集上的代表性方法，揭示了其有效性，并提出了新的变体，为未来研究提供新思路。

From PDF to RAG-Ready: Evaluating Document Conversion Frameworks for Domain-Specific Question Answering

从PDF到RAG就绪：评估面向特定领域问答的文档转换框架

José Guilherme Marques dos Santos, Ricardo Yang, Rui Humberto Pereira, Alexandre Sousa, Brígida Mónica Faria, Henrique Lopes Cardoso, José Duarte, José Luís Reis, Luís Paulo Reis, Pedro Pimenta, José Paulo Marques dos Santos

机构 * Faculty of Engineering, University of Porto（葡萄牙波尔图大学工程学院） ； Department of Business Administration, University of Maia（马亚大学商业管理系） ； LIACC—Artificial Intelligence and Computer Science Laboratory, University of Porto（葡萄牙波尔图大学人工智能与计算机科学实验室） ； Department of Communication Sciences and Information Technologies, University of Maia（马亚大学通讯科学与信息科技系） ； School of Health, Polytechnic of Porto（波尔图理工学院健康学院） ； School of Technology and Management, Polytechnic Institute of Maia（马亚理工学院技术与管理学院） 纠错

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

AI总结 通过系统比较四种开源PDF转Markdown框架的21种流水线配置，发现文档预处理质量（尤其是层次化分块和元数据增强）对RAG系统问答准确率的影响远超转换工具本身，最佳配置（Docling+层次化分块+图像描述）达到94.1%准确率，超越人工整理。

Comments 27 pages, 3 figures, 7 tables

Journal ref Applied Sciences 16 (2026) 5069

S2G-RAG: Structured Sufficiency and Gap Judging for Iterative Retrieval-Augmented QA

S2G-RAG：结构充分性与间隙判断用于迭代检索增强问答

Minghan Li, Junjie Zou, Xinxuan Lv, Chao Zhang, Guodong Zhou

机构 * Soochow University（苏州大学） 纠错

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

AI总结 S2G-RAG通过结构化充分性判断和间隙判断机制，提升多跳问答的准确性和鲁棒性，适用于多轮检索流程。

Comments Accepted to ACL 2026 Main Conference

Rag Performance Prediction for Question Answering

基于问答的RAG性能预测

Or Dado, David Carmel, Oren Kurland

机构 * Technion（技术学院） ； Technology Innovation Institute (TII)（技术创新研究所） 纠错

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

AI总结 本文研究了RAG在问答中的性能预测，提出了一种新的监督预测器，通过建模问题、检索段落和生成答案之间的语义关系，提升了预测效果。

Comments 12 pages. 2 figures. 1 table

EverydayGPT: Confidence-Gated Routing for Efficient and Safe Hybrid GPT-RAG Conversational QA

EverydayGPT: 用于高效安全混合GPT-RAG对话问答的置信门控路由

Jaspreet Singh Nahal

机构 * Dr. A.P.J. Abdul Kalam Technical University（阿卜杜尔·卡拉姆技术大学） 纠错

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

AI总结 提出置信门控路由机制，通过联合策略决定检索与生成路径，使85%的查询使用快速RAG提取，延迟降低120倍以上，同时保持答案质量。

Comments 12 pages, 10 figures, 6 tables. Code and evaluation scripts available at: https://github.com/merciless-admiral-3083/EverydayGPT. This paper studies routing strategies for hybrid GPT-RAG systems under resource constraints, focusing on efficiency-safety tradeoffs rather than state-of-the-art accuracy

W-RAG: Weakly Supervised Dense Retrieval in RAG for Open-domain Question Answering

Jinming Nian, Zhiyuan Peng, Qifan Wang, Yi Fang

机构 * Santa Clara University（圣克拉拉大学） ； Meta AI 纠错

专题命中 知识库问答 ：RAG(title,abstract)；dense retrieval(title,abstract)；retrieval-augmented generation(abstract)；retriever(abstract)

Forgotten History or Test-of-Time? Retrospect and Prospect on RAG from an IR Perspective

被遗忘的历史还是时间的考验？从信息检索视角回顾与展望检索增强生成（RAG）

Xiaoyan Zhao, Yujie Cai, Yang Zhang, Grace Hui Yang, Tat-Seng Chua

机构 * National University of Singapore（新加坡国立大学） ； Georgetown University（乔治城大学） 纠错

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

AI总结 本文从IR视角指出RAG核心思想源于21世纪初的经典研究，提出将LLM视为旧QA架构的新接口层，其前期工作可指导下一代RAG设计，促进跨领域整合。

NeSy-RAG: Neuro-Symbolic RAG for Explainable Question Answering

NeSy-RAG：用于可解释问答的神经符号检索增强生成框架

Jonas Gann, Michael Gertz

机构 * Heidelberg University（海德堡大学） 纠错

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

AI总结 NeSy-RAG是一种模块化神经符号RAG框架，可生成透明推理轨迹，在ShARC基准上以61.1%的准确率优于同模型RAG基线，实现可解释问答。

CacheWeaver: Cache-Aware Evidence Ordering for Efficient Grounded RAG Inference

CacheWeaver：面向高效接地RAG推理的缓存感知证据排序

Kaizhen Tan, Rong Gu, Mingyuan Li

机构 * Heinz College of Information Systems and Public Policy, Carnegie Mellon University（卡内基梅隆大学海因茨信息系统与公共政策学院） 纠错

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

AI总结 提出CacheWeaver，一种轻量级提示层方法，通过缓存感知的证据排序降低RAG推理的首令牌延迟，无需修改服务引擎或证据集。

Unlocking Biological Workflows for Robust Protein-Text Question Answering: A Dual-Dimensional RAG Framework

解锁稳健的蛋白质-文本问答流程：一种双维度RAG框架

Li Ding, Duanyu Feng, Chen Huang, Yangshuai Wang, Yang Li, Wenqiang Lei, See-Kiong Ng

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

AI总结 本文提出一种双维度RAG框架，通过整合生物研究流程和专家分析方法，提升蛋白质-文本问答的鲁棒性和泛化能力，实现对新蛋白质的高效处理。

Architecture Matters: Comparing RAG Systems under Knowledge Base Poisoning

架构至关重要：在知识库中毒情况下比较RAG系统

Samuel Korn

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

AI总结 研究探讨了在知识库中毒情况下不同RAG架构的鲁棒性，发现架构设计对攻击成功率影响显著，MADAM-RAG在矛盾检测上表现最佳但仍有不足。

From RAG to Agentic RAG for Faithful Islamic Question Answering

从RAG到智能体RAG：面向可靠的伊斯兰问答

Gagan Bhatia, Hamdy Mubarak, Mustafa Jarrar, George Mikros, Fadi Zaraket, Mahmoud Alhirthani, Mutaz Al-Khatib, Logan Cochrane, Kareem Darwish, Rashid Yahiaoui, Firoj Alam

机构 * Qatar Computing Research Institute, HBKU, Qatar（卡塔尔计算研究中心，HBKU，卡塔尔） ； College of Humanities and Social Sciences, HBKU, Qatar（人文与社会科学学院，HBKU，卡塔尔） ； Arab Center for Research and Policy Studies, Qatar（阿拉伯研究中心与政策研究所，卡塔尔） ； College of Islamic Studies, HBKU, Qatar（伊斯兰研究学院，HBKU，卡塔尔） ； College of Public Policy, HBKU, Qatar（公共政策学院，HBKU，卡塔尔） 纠错

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

AI总结 针对LLM在伊斯兰问答中的幻觉与弃权问题，构建双语基准IslamicFaithQA，并提出基于结构化工具调用的智能体RAG框架，显著提升正确性与鲁棒性。

Comments Islamic Question Answering; Faithful Question Answering; Retrieval-Augmented Generation; Agentic RAG; Large Language Models

Knowledge Base Poisoning Attacks and Defense for Policy-Aware LLM-RAG Framework

用于战场物联网任务控制的策略感知大语言模型检索增强生成（PA-LLM-RAG）框架的知识库中毒攻击与防御

Om Solanki, Lopamudra Praharaj, Deepti Gupta, Maanak Gupta

专题命中 知识库问答 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)

AI总结 研究针对战场物联网任务控制的PA-LLM-RAG框架的对抗安全。提出查询无关语义检索中毒攻击，能注入规则致大语言模型上下文损坏。还提出CLD-KB防御框架，在检测中毒和知识保存方面性能优异。

Comments 9 pages, 5 figures

ARMOR: Adaptive Retriever Optimization for Low-Resource Telecom Question Answering

ARMOR: 面向低资源电信问答的自适应检索器优化

Heshan Fernando, Quan Xiao, Yan Xin, Tianyi Chen

机构 * Rensselaer Polytechnic Institute（罗切斯特理工学院） ； Cornell University（康奈尔大学） ； Samsung Research America（三星美国研究院） 纠错

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

AI总结 针对电信问答中证据分散且资源稀缺的问题，提出ARMOR方法，通过联合优化RAG似然和InfoNCE对比目标来适配查询编码器，在固定生成器下提升检索和答案生成性能。

Don't Retrieve, Navigate: Distilling Enterprise Knowledge into Navigable Agent Skills for QA and RAG

不要检索，导航：将企业知识转化为可导航的代理技能用于问答和RAG

Yiqun Sun, Pengfei Wei, Lawrence B. Hsieh

机构 * Magellan Technology Research Institute（马格纳技术研究 institute） 纠错

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

AI总结 本文提出Corpus2Skill，通过将文档库转化为层次化技能目录，使LLM代理在服务时能导航该目录，提升问答质量和 grounding，但指出导航并非所有场景下的最佳替代方案。

CMT-RAG: Complementary Memory Traces for Multi-turn Multi-hop RAG

CMT-RAG：面向多轮多跳检索增强生成（RAG）的互补记忆轨迹

Lang Zhou, Yingjian Chen, Shuxuan Li, Kun-Yu Lin, Zhilin Zhao

专题命中 知识库问答 ：RAG(title,title_cn)；分类 cs.IR、cs.CL

AI总结 该研究针对现有RAG系统难以恢复多轮对话中先前推理与证据的问题，提出CMT-RAG框架，引入MuMu-QA基准，实验显示其在答案准确性上优于五类RAG基线。

Agentic Retrieval-Augmented Generation for Financial Document Question Answering

代理检索增强生成用于财务文档问答

Yang Shu, Yingmin Liu, Zequn Xie

机构 * College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） 纠错

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

AI总结 本文提出FinAgent-RAG框架，通过迭代检索-推理循环和自我验证，提升金融文档问答的精度。引入对比金融检索器、程序化思维模块和自适应策略路由，实验表明在三个基准数据集上均取得显著效果，准确率提升5.62-9.32个百分点。

Comments This paper is withdrawn due to significant methodological errors in the experimental design that fundamentally affect the validity of the results. The errors are not correctable within the current framework, and the conclusions can no longer be supported. We apologize for any inconvenience caused to readers

Efficient Retrieval-Augmented Generation via Token Co-occurrence Graphs

基于Token共现图的高效检索增强生成

Gianluca Bonifazi, Christopher Buratti, Michele Marchetti, Federica Parlapiano, Giulia Quaglieri, Davide Traini, Domenico Ursino, Luca Virgili

机构 * Università Politecnica delle Marche（波尔蒂纳拉理工大学） ； Università di Modena e Reggio Emilia（摩德纳和雷焦艾米利亚大学） 纠错

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

AI总结 提出TIGRAG框架，利用滑动窗口共现统计构建Token共现知识图谱，结合图语义扩展和神经重排序实现多跳推理，在三个QA基准上优于稠密检索和图RAG方法，同时降低索引和推理开销。

Rank4Gen: RAG-Preference-Aligned Document Set Selection and Ranking

Rank4Gen：RAG偏好对齐的文档集选择与排序

Yongqi Fan, Yuxiang Chu, Zhentao Xia, Xiaoyang Chen, Jie Liu, Haijin Liang, Jin Ma, Ben He, Yingfei Sun, Jie Zhai, Dezhi Ye, Tong Ruan

专题命中 知识库问答 ：RAG(title,title_cn)；分类 cs.IR

AI总结 针对RAG中下游生成器对文档组合和排序的偏好差异，提出PRISM数据集和Rank4Gen排序器，通过联合文档集选择与排序提升下游QA质量。

OCC-RAG: Optimal Cognitive Core for Faithful Question Answering

OCC-RAG：面向忠实问答的最优认知核心

Maksim Savkin, Mikhail Goncharov, Alexander Gambashidze, Alla Chepurova, Dmitrii Tarasov, Nikita Andriianov, Daria Pugacheva, Vasily Konovalov, Andrey Galichin, Ivan Oseledets

机构 * OCC Team（OCC团队） 纠错

专题命中 知识库问答 ：RAG(title,title_cn)；分类 cs.CL

AI总结 提出OCC-RAG，一种通过多上下文多跳合成数据训练的小语言模型，在忠实问答任务中匹配或超越2-6倍规模通用模型。

What Makes a Medical Checker Trainable? Diagnosing Signal Collapse and Reward Hacking in Checker-Guided RAG for Biomedical QA

什么使医学检查器可训练？诊断生物医学问答中检查器引导的RAG中的信号崩溃和奖励黑客

Yuelyu Ji, Min Gu Kwak, Hang Zhang, Xizhi Wu, Chenyu Li, Yanshan Wan

机构 * University of Pittsburgh（匹兹堡大学） 纠错

专题命中 知识库问答 ：RAG(title,title_cn)；分类 cs.CL

AI总结 本文通过比较四种NLI检查器作为GRPO训练的医学RAG代理的过程奖励，诊断了信号崩溃和奖励黑客现象，发现检查器的输出分布而非保留准确率决定了其是否提供可训练梯度，并提出了验证器作为奖励系统的边界条件。

RAG-BioQA: A Retrieval-Augmented Generation Framework for Long-Form Biomedical Question Answering

RAG-BioQA：一种用于长文本生物医学问答的检索增强生成框架

Lovely Yeswanth Panchumarthi, Sumalatha Saleti, Sai Prasad Gudari, Atharva Negi, Praveen Raj Budime, Harsit Upadhya

机构 * Department of CSE Emory University Georgia, USA（计算机科学与工程系 埃默里大学 美国佐治亚州） ； Department of CSE SRM University AP Andhra Pradesh, India（计算机科学与工程系 SRM大学AP 安得拉邦印度） ； Department of CSE Trine University Michigan, USA（计算机科学与工程系 特林大学 密歇根州美国） 纠错

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

AI总结 RAG-BioQA通过结合BioBERT和FAISS实现检索增强生成，提升长文本生物医学问答的准确性和可复现性。

Comments Submitted to ICAEI

Improving the Domain Adaptation of Retrieval Augmented Generation (RAG) Models for Open Domain Question Answering

Shamane Siriwardhana, Rivindu Weerasekera, Elliott Wen, Tharindu Kaluarachchi, Rajib Rana, Suranga Nanayakkara

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

Comments This paper is awaiting publication at Transactions of the Association for Computational Linguistics. This is a pre-MIT Press publication version. For associated huggingface transformers code, see https://github.com/huggingface/transformers/tree/main/examples/research_projects/rag-end2end-retriever

CRITIC-R1: Learning Structured Critics for Retrieval-Augmented Generation

CRITIC-R1: 学习结构化评论用于检索增强生成

Wenhan Xiao, Ziwei Zhang, Chuanyue Yu, Xingcheng Fu, Qingyun Sun, Runhua Xu, Jianxin Li

机构 * Nankai University（南开大学） ； Beihang University（北航） ； Guangxi Normal University（广西师范大学） 纠错

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

AI总结 提出CRITIC-R1框架，通过强化学习将RAG评论建模为结构化错误诊断问题，设计保守判断对齐和诊断质量对齐奖励函数，提升检索增强生成的答案质量。

Comments 17 pages,13 figures

SimulRAG: Simulator-based RAG for Grounding LLMs in Long-form Scientific QA

SimulRAG：基于模拟器的检索增强生成（RAG）框架，用于将大型语言模型（LLMs）落地到长篇科学问答任务中

Haozhou Xu, Dongxia Wu, Matteo Chinazzi, Ruijia Niu, Rose Yu, Yi-An Ma

机构 * University of California San Diego（加州大学圣迭戈分校） ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） 纠错

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

AI总结 针对LLMs在长篇科学问答中易幻觉的问题，本文提出SimulRAG框架，引入UE+SBA机制，发布相关基准，实验表明其信息量与事实性较基线分别提升30.4%、16.3%

Comments Haozhou Xu and Dongxia Wu are co-first authors

Tatarstan Toponyms: A Bilingual Dataset and Hybrid RAG System for Geospatial Question Answering

塔塔尔斯坦地名：一种双语数据集和混合RAG系统用于地理空间问题回答

Mullosharaf K. Arabov

机构 * Department of Data Analysis and Programming Technologies（数据分析与编程技术系） ； Institute of Computational Mathematics and Information Technologies（计算数学与信息科技学院） ； Kazan (Volga Region) Federal University（卡兹安（伏尔加地区）联邦大学） 纠错

专题命中 知识库问答 ：RAG(title,title_cn)；retriever(abstract)；分类 cs.CL

AI总结 本文提出了一种双语地名数据集和混合RAG系统，用于多语言地理空间问题回答，通过构建39,000个问题-上下文-答案三元组，结合语义索引和空间过滤，实现了高召回率和准确率。

Comments Preprint