SproutRAG: Attention-Guided Tree Search with Progressive Embeddings for Long-Document RAG
University of British Columbia（不列颠哥伦比亚大学）；ServiceNow Research（ServiceNow研究院）
提出SproutRAG，通过注意力引导构建句子级分块树，实现多粒度检索，无需额外LLM调用，平均信息效率提升6.1%。
2026-06-18 cs.CL cs.IR
Rethinking All Evidence: Enhancing Trustworthy Retrieval-Augmented Generation via Conflict-Driven Summarization
University of Chinese Academy of Sciences（中国科学院大学）；Chinese Academy of Sciences（中国科学院）；National University of Defense Technology（国防科技大学）；Chongqing University of Technology（重庆理工大学）
本文提出CARE-RAG框架，通过冲突驱动摘要整合检索内容与内部知识，并引入QA Repair修正基准答案，从而在噪声和冲突场景下提升RAG生成的可信度与性能。
2025-07-02 cs.AI cs.CL
QQSUM: A Novel Task and Model of Quantitative Query-Focused Summarization for Review-based Product Question Answering
RMIT University（拉筹伯大学）
本文提出QQSUM任务与QQSUM-RAG模型，通过少样本学习联合训练KP检索器和摘要生成器，从评论中提取并量化多样化关键点，以提升产品问答的答案质量与意见覆盖度。
2025-06-04 cs.CL
Biomedical Question Answering via Multi-Level Summarization on a Local Knowledge Graph
University of Michigan（密歇根大学）
本文提出一种利用命题主张从检索文档构建局部知识图谱，并通过逐层摘要上下文化小型语言模型以执行生物医学问答的新方法，在多个基准上性能优于RAG基线。
2025-04-02 cs.AI cs.CL cs.IR
Towards a RAG-based Summarization Agent for the Electron-Ion Collider
College of William \& Mary Williamsburg, VA, USA
本文提出RAGS4EIC系统，通过结合向量数据库检索与大语言模型生成，为电子-离子对撞机实验信息提供带引用的摘要服务，并采用RAGAs评估和LangChain框架实现高效可扩展的部署。
2024-06-08 cs.AI cs.CL hep-ex
Towards a Robust Retrieval-Based Summarization System
North Carolina State University（北卡罗来纳州立大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Northwestern University（西北大学）
本文提出LogicSumm评估框架和SummRAG系统，通过构建训练对话并微调模型，系统性地提升大语言模型在基于检索增强生成的摘要任务中的鲁棒性与摘要质量。
2024-03-29 cs.AI cs.CL cs.IR
Retrieval Augmented Generation and Representative Vector Summarization for large unstructured textual data in Medical Education
University of Peradeniya（佩拉德尼亚大学）
本文探讨了检索增强生成在医学教育领域的应用，并提出了一种基于代表性向量、结合抽取式与抽象式的大型非结构化文本数据摘要方法。
2023-08-01 cs.AI cs.CL
Diversity Enhances an LLM's Performance in RAG and Long-context Task
Salesforce（赛富时）
本文针对大语言模型上下文窗口限制导致的RAG和长上下文任务性能问题，借鉴MMR和FPS原理将多样性引入内容选择，证明其能显著提升相关句子或块的召回率，从而改善问答和摘要效果。
2025-04-07 cs.CL cs.LG
Improving Health Literacy through Lay Summarization of Radiological Reports: An Evaluation of BioNER and Retrieval-Augmented Generation
Özyeğin University（厄兹耶金大学）；Galatasaray University（加拉塔萨雷大学）
本研究评估了BioNER与RAG对放射报告非专业摘要的影响，发现NER可提升摘要质量，微调BioBART搭配NER的表现最佳。
2026-09-03 cs.CL
Graph of Records: Boosting Retrieval Augmented Generation for Long-context Summarization with Graphs
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出图记录方法，通过利用LLM生成的历史响应构建图，并结合图神经网络和基于BERTScore的自监督训练，显著提升了长上下文摘要任务中检索增强生成的性能。
2025-05-29 cs.AI cs.CL cs.LG
SYMDIREC: A Neuro-Symbolic Divide-Retrieve-Conquer Framework for Enhanced RTL Synthesis and Summarization
IBM Research（IBM研究院）
SYMDIREC通过结合符号规划与LLM推理，提升RTL综合与摘要的准确性，实现比基线方法更高的Pass@1率和ROUGE-L分数。
2026-03-17 cs.CL cs.PL
Facilitating Cognitive Accessibility with LLMs: A Multi-Task Approach to Easy-to-Read Text Generation
Université Caen Normandie, ENSICAEN, CNRS, Normandie Univ, GREYC UMR 6072（法国卡恩大学、ENSICAEN、CNRS、诺曼底大学、GREYC UMR 6072）；Koena SAS
针对易读文本人工制作成本高、对齐语料稀缺的问题，提出结合文本摘要、简化与ETR生成的多任务学习方法，通过RAG和MTL-LoRA两种策略，在新数据集ETR-fr上验证了多任务设置的优势及不同策略的适用场景。
2025-10-01 cs.AI cs.CL
Automated Summarization of Financial News Using Large Language Models and Retrieval-Augmented Generation: An Early Empirical Study (Fall 2023)
George Washington University（乔治·华盛顿大学）
该2023年秋的研究构建了结合LLM与RAG的财经新闻摘要流程，测试多种模型与方法，发现Summarize Chains的Falcon-7B表现最优，RAG存在缺陷，且相关失效模式至今仍具参考价值。
2026-08-21 cs.AI cs.CL cs.IR
BookAsSumQA: An Evaluation Framework for Aspect-Based Book Summarization via Question Answering
The University of Electro-Communications（电子通信大学）；Santa Clara University（圣克拉拉大学）；DOCOMO Innovations, Inc.（doCOMO创新公司）
本文提出BookAsSumQA框架，通过从叙事知识图谱自动生成面向方面的问答对来评估书籍摘要质量，实验表明RAG方法在长文档上比LLM方法更高效实用。
2025-11-09 cs.CL
TTQA-RS- A break-down prompting approach for Multi-hop Table-Text Question Answering with Reasoning and Summarization
University of Florida（佛罗里达大学）
本文提出TTQA-RS模型，通过分解提示、检索增强生成和表格-文本摘要，结合推理与子问题答案，在多跳表格-文本问答任务上以开源LLM取得最优性能。
2024-09-30 cs.CL cs.IR
Even Small Reasoners Should Quote Their Sources: Introducing the Pleias-RAG Model Family
PleIAs, Paris, France（巴黎法国PleIAs）
本文介绍Pleias-RAG-350m和Pleias-RAG-1B小型推理模型，通过合成数据训练支持引用与接地，在RAG基准上优于同规模模型，并可与更大模型竞争，且保持多语言性能。
2026-10-07 cs.CL
Benchmarking LLM Faithfulness in RAG with Evolving Leaderboards
University of Waterloo（滑铁卢大学）；Vectara（Vectara公司）；Iowa State University（爱荷华州立大学）；Stanford University（斯坦福大学）
本文提出FaithJudge框架，利用人工标注幻觉示例改进RAG中LLM幻觉的自动评估，并构建增强型排行榜，在摘要、问答和数据到文本任务上更可靠地基准测试LLM忠实度。
2025-11-06 cs.AI cs.CL
When to use Graphs in RAG: A Comprehensive Analysis for Graph Retrieval-Augmented Generation
Xiamen University（厦门大学）；The Hong Kong Polytechnic University（香港理工大学）
本文提出GraphRAG-Bench基准，系统分析GraphRAG在不同任务中的表现，揭示其在特定场景下的优势与适用条件。
2026-02-22 cs.CL
Advancing Academic Chatbots: Evaluation of Non Traditional Outputs
Copenhagen Business School（哥本哈根商学院）
本研究评估了非传统学术输出生成，比较了两种检索策略并测试了LLMs在幻灯片和播客脚本生成中的表现。
2025-11-30 cs.CL
UNIDOC-BENCH: A Unified Benchmark for Document-Centric Multimodal RAG
Salesforce AI Research（Salesforce人工智能研究）
UniDoc-Bench是首个大规模文档中心多模态RAG基准，通过多模态问答对评估文本-图像融合与联合检索性能，揭示多模态嵌入不足及视觉上下文补充机制。
2026-01-05 cs.CL cs.CV
Comparison of Text-Based and Image-Based Retrieval in Multimodal Retrieval Augmented Generation Large Language Model Systems
PricewaterhouseCoopers U.S.（普华永道美国公司）
本文比较了多模态RAG系统中基于文本和基于图像的检索方法，发现直接多模态嵌入检索在性能和准确性上优于基于LLM总结的方法。
2025-11-23 cs.CL
KERAG: Knowledge-Enhanced Retrieval-Augmented Generation for Advanced Question Answering
HKUST（香港科技大学）；Meta Reality Labs（Meta 现实实验室）；HKUST(GZ)（香港科技大学（广州））
针对传统知识图谱问答覆盖率低的问题，提出基于知识图谱的KERAG流水线，采用检索-过滤-摘要方法结合微调大模型的子图思维链推理，显著提升问答质量，性能优于现有最优方案及GPT-4o（Tool）。
2025-09-05 cs.AI cs.CL cs.IR
PECAN: LLM-Guided Dynamic Progress Control with Attention-Guided Hierarchical Weighted Graph for Long-Document QA
Department of Computer Science, University of Warwick（沃里克大学计算机科学系）；Department of Informatics, King’s College London（伦敦国王学院信息学系）；The Alan Turing Institute（艾伦·图灵研究所）
本文提出 PECAN，利用 LLM 动态控制检索进度，并基于注意力权重构建分层加权图，在四个长文档问答数据集上以接近 RAG 的复杂度达到 LLM 级性能。
2025-06-08 cs.CL
Hierarchical Lexical Graph for Enhanced Multi-Hop Retrieval
Queen's University（皇后大学）；Amazon（亚马逊）
本文提出三层 HLG 索引及 StatementGraphRAG、TopicGraphRAG 两种检索器，并构建多文档问答合成数据集，实验显示其较分块 RAG 平均相对提升 23.1%。
2025-06-09 cs.AI cs.CL cs.IR
Hallucination Detection in LLMs with Topological Divergence on Attention Graphs
Applied AI Institute（应用人工智能研究所）；SB AI Lab（SB人工智能实验室）；HSE University（俄罗斯高等经济学院）；CNRS, Universite Paris Cite（法国国家科学研究中心，巴黎Cité大学）
本文提出TOHA方法，通过分析注意力矩阵的拓扑结构来检测LLM中的幻觉现象，实验表明该方法在多个基准测试中表现优异，且对标注数据和计算资源需求较低。
2026-09-10 cs.AI cs.CL math.AT
