Memory-Augmented Knowledge Fusion with Safety-Aware Decoding for Domain-Adaptive Question Answering
Independent Researcher（独立研究者）；Boston University（波士顿大学）；Binghamton University（伯克利大学）
KARMA通过记忆增强和安全意识解码提升领域自适应问答的准确性和安全性
2025-12-02 cs.AI cs.CL
ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering
University of Modena and Reggio Emilia（摩德纳大学和雷焦艾米利亚大学）；University of Pisa（比萨大学）
ReAG通过结合粗粒度和细粒度检索及批评模型过滤无关信息，提升知识密集型视觉问答的准确性和可解释性。
2026-03-31 cs.AI cs.CL cs.CV
Analyzing performance of Retrieval Augmented Generation models for Question Answering Tasks
BRAC University（BRAC大学）
本研究针对南亚多语言场景，探究RAG模型在文化与非文化问答任务中的性能差异，提取高性能因素以优化混合RAG系统，为高效准确的问答流程设计提供方向。
2026-10-16 cs.AI cs.CL
Retrieval Augmented Question Answering: When Should LLMs Admit Ignorance?
Google Research（谷歌研究）；University of Oxford（牛津大学）
本文提出了一种自适应提示策略，通过分割检索信息并逐步提示LLM回答问题，以提高问答性能并减少无关信息的影响。
2025-12-29 cs.AI cs.CL cs.LG
RAG-BioQA: A Retrieval-Augmented Generation Framework for Long-Form Biomedical Question Answering
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）
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。
2026-01-02 cs.AI cs.CL
RAG-X: Systematic Diagnosis of Retrieval-Augmented Generation for Medical Question Answering
Oakland University（奥克兰大学）
RAG-X通过系统性诊断框架，评估检索和生成过程，揭示问答系统中的隐藏失败模式，提升医疗问答的准确性和可靠性。
2026-03-03 cs.AI cs.CL
Uncertainty Quantification in Retrieval Augmented Question Answering
University of Edinburgh（爱丁堡大学）
本研究提出通过估计检索段落的效用来量化检索增强QA模型的不确定性，训练轻量级模型预测效用，高效接近或超越采样方法。
2025-09-11 cs.CL
TabRAG: Improving Tabular Document Question Answering for Retrieval Augmented Generation via Structured Representations
Imperial College London（帝国理工学院）
TabRAG通过结构化表示改进表格文档问答，采用布局分割和视觉语言模型解析，提升表格问答性能。
2026-01-31 cs.AI cs.CL cs.CV
A Systematic Study of Retrieval Pipeline Design for Retrieval-Augmented Medical Question Answering
Department of Mechatronics & Industrial Engineering, Chittagong University of Engineering & Technology（吉大港工程与技术大学机电与工业工程系）；Department of Mechanical Engineering, Chittagong University of Engineering & Technology（吉大港工程与技术大学机械工程系）
本文系统评估了检索增强医疗问答的性能，发现检索增强显著提升了零样本医疗问答效果，最佳配置为密集检索加查询改写和重排序，准确率达60.49%。
2026-04-08 cs.AI cs.CL cs.LG
RGAR: Recurrence Generation-augmented Retrieval for Factual-aware Medical Question Answering
King’s College London（伦敦国王学院）；School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院）；School of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程学院）
针对现有医疗RAG检索忽视事实知识、适用性受限的问题，提出RGAR循环生成增强检索框架，从EHR和语料库双源检索事实与概念知识并交互优化，在三个基准上实现医疗RAG新SOTA，小模型搭载后性能超越经RAG增强的大模型GPT-3.5。
2025-02-19 cs.AI cs.CL
MARAGS: A Multi-Adapter System for Multi-Task Retrieval Augmented Generation Question Answering
Darkhive（达克海夫）
本文提出MARAGS多适配器检索增强生成系统，用于CRAG竞赛多任务问答，采用标准RAG流程与交叉编码器排序，在任务1和任务2中分别获得第二和第三名。
2024-11-04 cs.CL
Evidence-Focused Fact Summarization for Knowledge-Augmented Zero-Shot Question Answering
Yonsei University（延世大学）
针对知识图谱文本化存在的证据密度低、清晰度差的问题，提出EFSum证据聚焦型事实摘要框架，经蒸馏和偏好对齐优化开源大模型为摘要器，可提升大模型零样本问答性能，同时保证摘要有用性与忠实性。
2024-10-09 cs.AI cs.CL cs.LG
Enhancing Document-Level Question Answering via Multi-Hop Retrieval-Augmented Generation with LLaMA 3
Independent Researcher（独立研究者）；Cornell University（康奈尔大学）；University of Southern California（南加州大学）
本文提出基于LLaMA 3的多跳检索增强生成框架，通过密集检索、上下文融合及联合优化，提升长文档问答的准确性与连贯性，实验优于现有基线。
2025-06-19 cs.CL cs.LG
CBR-RAG: Case-Based Reasoning for Retrieval Augmented Generation in LLMs for Legal Question Answering
Robert Gordon University（罗伯特戈登大学）；Informatics Institute of Technology（信息学技术学院）；BT France（英国电信法国公司）
提出CBR-RAG框架，将案例推理的检索、索引与相似性容器融入RAG，并通过法律问答实验验证其可显著提升答案质量。
2024-04-04 cs.AI 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
Cooperative Retrieval-Augmented Generation for Question Answering: Mutual Information Exchange and Ranking by Contrasting Layers
Department of Artificial Intelligence, Hanyang University（人工智能学院，翰阳大学）；Department of Data Science, Hanyang University（数据科学学院，翰阳大学）
CoopRAG通过协作检索与生成机制，提升问答任务中检索与生成的准确性。
2025-12-17 cs.AI cs.CL
K-COMP: Retrieval-Augmented Medical Domain Question Answering With Knowledge-Injected Compressor
POSTECH（POSTECH大学）；GSAI；POSTECH CSE（POSTECH计算机科学与工程系）
提出K-COMP（知识注入压缩器），通过在压缩检索文档前自动生成先验知识并将其整合到自回归压缩过程中，解决医学领域检索增强问答中专业知识理解难和文档冗余导致的幻觉问题，从而引导阅读器模型生成准确答案并信任上下文。
2025-05-28 cs.AI cs.CL
DeepEra: A Deep Evidence Reranking Agent for Scientific Retrieval-Augmented Generated Question Answering
Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；Peking University（北京大学）
DeepEra通过集成逐步推理提升科学检索增强生成问答的检索精度，首次系统研究并验证了双阶段RAG框架中语义相似但逻辑无关的问题。
2026-01-23 cs.AI cs.CL
ComRAG: Retrieval-Augmented Generation with Dynamic Vector Stores for Real-time Community Question Answering in Industry
School of Data Science and Engineering, East China Normal University（数据科学与工程学院，东华大学）；Alibaba Group（阿里巴巴集团）
ComRAG 提出基于质心记忆机制的检索增强生成框架，融合静态知识与动态历史问答对，在三个工业 CQA 数据集上实现最高 25.9% 相似度提升、延迟降低 8.7%–23.3%，并将分块增长从 20.23% 降至 2.06%。
2025-07-01 cs.AI cs.CL
Improving Retrieval Augmented Open-Domain Question-Answering with Vectorized Contexts
School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）；Institute for Intelligent Computing, Alibaba Group（阿里巴巴集团智能计算研究院）
本文提出一种通用方法，利用小型编码器语言模型对上下文进行向量化编码并与原始输入交叉注意力，使大语言模型在计算需求接近基线的情况下能处理数倍长的上下文，并在多个数据集和上下文学习设置中提升开放域问答性能。
2024-12-23 cs.CL
Retrieval Augmented Generation for Domain-specific Question Answering
Adobe（奥多比公司）
本文针对特定领域问答中通用大模型缺乏领域知识的问题，提出构建大型问答数据库并对检索器进行微调的检索增强生成框架，显著减少幻觉并提升生成质量。
2024-05-29 cs.AI cs.CL cs.IR
MKRAG: Medical Knowledge Retrieval Augmented Generation for Medical Question Answering
Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；University of Georgia（佐治亚大学）
针对大语言模型在医疗问答中表现差、黑盒难调整的问题，提出MKRAG医疗知识检索增强生成方法，用综合检索策略提取外部医疗事实注入提示，在MedQA-SMILE数据集上使Vicuna-7B准确率从44.46%升至48.54%，提供了无需微调的实用优化方案。
2024-08-16 cs.AI cs.CL
Retrieval Augmented Biomedical Question Answering with Weak Question Recovery and Neural Reranking for BioASQ Task 14b
Georgia Institute of Technology（佐治亚理工学院）
该研究针对BioASQ第14b任务，构建了结合多源查询扩展等技术的生物医学问答系统，通过弱问题恢复与检索后剪枝提升检索性能，经实验验证可显著优化MAP@10指标。
2026-08-04 cs.AI cs.CL
Expert-Guided Prompting and Retrieval-Augmented Generation for Emergency Medical Service Question Answering
针对紧急医疗服务问答中现有大语言模型未利用领域结构化知识的问题，构建EMSQA数据集，提出Expert-CoT提示策略与ExpertRAG流水线，显著提升模型答题准确率，32B增强模型可通过全部EMS资质模拟考试。
2025-11-18 cs.AI cs.CL
PARAN: Persona-Augmented Review ANswering system on Food Delivery Review Dataset
Lemong Research（Lemong研究）
PARAN通过从短评论文本中推断用户个性，提升食品配送评论回复的个性化和相关性，无需模型微调。
2025-12-10 cs.AI cs.CL
Question-Answering Based Summarization of Electronic Health Records using Retrieval Augmented Generation
Northeastern University（东北大学）
本文提出一种结合语义搜索、检索增强生成（RAG）和问答的方法，利用最新LLMs对电子健康记录进行摘要，以解决标注数据不足和注意力机制二次复杂度导致的性能问题，同时避免幻觉并确保内容多样性。
2024-01-03 cs.AI cs.CL
Knowledge Detection by Relevant Question and Image Attributes in Visual Question Answering
L. D. College of Engineering（L. D.工程学院）
本文提出一种视觉问答方法，以图像属性和问题特征为输入，仅检索与问题相关的图像对象知识，从而避免无关知识干扰并提升答案准确性。
2023-06-08 cs.AI cs.CV
Reducing Hallucinations in Complex Question Answering using Simple Graph-based Retrieval-Augmented Generation (long version)
National Innovation Centre for Data（数据创新研究中心）
本研究提出一种轻量级图结构支持的检索增强生成系统，通过结合向量搜索和图查询工具，在复杂问答任务中将幻觉答案数量减半，并显著提升事实正确性的精确率和召回率。
2026-07-23 cs.AI cs.CL
HANRAG: Heuristic Accurate Noise-resistant Retrieval-Augmented Generation for Multi-hop Question Answering
Ant Group（蚂蚁集团）
针对多跳问答中迭代检索冗余与噪声累积问题，提出基于启发式的HANRAG框架，通过查询路由、子查询分解与噪声过滤机制，在单跳与多跳问答任务上均实现卓越性能。
2025-09-08 cs.AI cs.CL
MEG: Medical Knowledge-Augmented Large Language Models for Question Answering
University of Copenhagen（哥本哈根大学）；Sony AI（索尼人工智能）；University of Zaragoza（阿拉维萨大学）
提出MEG方法，通过轻量映射网络将知识图谱嵌入融入大语言模型，以参数高效方式增强医学问答，在四个数据集上平均提升6.7%-9.9%准确率。
2025-04-22 cs.AI cs.CL cs.LG
Graph-Enhanced Retrieval-Augmented Question Answering for E-Commerce Customer Support
Microsoft（微软）
本文提出一种结合知识图谱与检索增强生成的框架，通过融合结构化子图与文本文档进行答案合成，显著提升了电子商务客户支持问答的事实准确率与用户满意度。
2025-09-15 cs.AI cs.CL cs.IT
Beyond Independent Passages: Adaptive Passage Combination Retrieval for Retrieval Augmented Open-Domain Question Answering
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）
本文提出自适应段落组合检索框架AdaPCR，通过将段落组合作为检索与重排序单元来建模段落间依赖，并结合上下文感知查询改写和答案似然对齐的重排序训练，在无需停止模块的情况下自适应选择段落数量，从而在开放域问答尤其是多跳推理中优于基线方法。
2025-07-05 cs.AI cs.CL cs.LG
EnComp: Lightweight Encoder-Only Context Compression for Retrieval-Augmented Question Answering
Korea Advanced Institute of Science and Technology（韩国科学技术院）
LooComp通过留一法策略提升仅编码器Transformer的查询感知上下文压缩效率，实现高效压缩与高吞吐量推理。
2026-09-24 cs.CL
Enhancing textual textbook question answering with large language models and retrieval augmented generation
Faculty of Computing and Information Technology, King Abdulaziz University（阿卜杜勒阿齐兹国王大学计算与信息技术学院）；College of Computer and Information Science, Imam Mohammad Ibn Saud Islamic University (IMSIU)（伊玛目穆罕默德·本·沙特伊斯兰大学计算机与信息科学学院）；School of Computing, Macquarie University（麦考瑞大学计算学院）
本文提出PLRTQA框架，结合检索增强生成与迁移学习，解决文本教材问答中的推理弱和长上下文问题，在验证集和测试集上分别提升4.12%和9.84%的准确率。
2025-01-22 cs.AI cs.CL
Efficient Medical Question Answering with Knowledge-Augmented Question Generation
Raidium；Hôpital européen Georges Pompidou（欧洲乔治·蓬皮杜医院）；AP-HP（巴黎公共医疗集团）；Université Paris-Cité（巴黎城市大学）
本研究提出双重微调策略，结合医学教科书与GPT-4生成的知识增强问题，提升小型语言模型在医学问答上的性能，并引入ECN-QA数据集验证其有效性。
2024-05-23 cs.AI cs.CL
Comprehensive and Practical Evaluation of Retrieval-Augmented Generation Systems for Medical Question Answering
University of Oregon（俄勒冈大学）；Adobe Research（奥多比研究院）
本文提出医学问答RAG系统的全面评估框架MedRGB，涵盖充分性、整合性和鲁棒性场景，评估发现当前模型在处理检索噪声和错误信息方面能力有限，为医学RAG系统开发提供见解。
2024-11-14 cs.AI cs.CL cs.IR
ChatSOS: Vector Database Augmented Generative Question Answering Assistant in Safety Engineering
School of Mechatronic Engineering, Beijing Institute of Technology（北京理工大学机电学院）
针对基础大语言模型在安全工程应用中数据覆盖有限、响应不可靠的问题，本研究构建了基于爆炸事故报告的向量数据库并开发ChatSOS，显著提升了问答的可靠性、准确性等性能，为安全工程专业查询应用奠定基础。
2024-05-08 cs.AI cs.CL
PDF Retrieval Augmented Question Answering
Saarland University（萨尔兰大学）
本文提出基于检索增强生成框架的PDF多模态问答系统，通过整合非文本元素提升复杂查询的准确性与相关性。
2026-04-07 cs.CL
Object Attribute Matters in Visual Question Answering
Jilin University（吉林大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；University of Chinese Academy of Sciences（中国科学院大学）
针对视觉问答中视觉与文本语义对齐不足的问题，提出利用物体属性的属性融合与对比知识蒸馏模块，以增强物体级对齐和场景理解，并在六个数据集上验证优越性。
2023-12-20 cs.AI cs.CV
RAG-QA Arena: Evaluating Domain Robustness for Long-form Retrieval Augmented Question Answering
AWS AI Labs（亚马逊人工智能实验室）；Google（谷歌）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
本文针对RAG-QA跨领域评估不足的问题，构建了包含七个领域26K查询的长文本数据集LFRQA，并提出RAG-QA Arena评估平台，实验显示其与人类判断高度相关且极具挑战性。
2024-10-03 cs.AI cs.CL
Federated Retrieval Augmented Generation for Multi-Product Question Answering
Virginia Tech（弗吉尼亚理工大学）；Adobe（奥多比公司）
提出MKP-QA框架，通过概率联邦搜索聚合查询与领域、段落的概率相关性，解决多产品问答中无差别查询或刚性资源选择的问题，并构建Adobe三产品数据集，显著提升检索准确率和响应质量。
2025-01-25 cs.CL
ArtistMus: A Globally Diverse, Artist-Centric Benchmark for Retrieval-Augmented Music Question Answering
ArtistMus提出一个全球多样、以艺术家为中心的基准，通过检索增强生成技术提升音乐问答的准确性和上下文推理能力。
2026-02-15 cs.AI cs.CL cs.IR
Retrieval-Augmented Visual Question Answering via Built-in Autoregressive Search Engines
Tsinghua University（清华大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
提出ReAuSE，将知识检索器集成进多模态大语言模型作为内置搜索引擎，实现生成式检索与答案生成，并通过强化校准提升性能，在OKVQA和A-OKVQA上取得2.9%-9.6%的提升。
2025-02-23 cs.CL cs.CV cs.IR
Cross-Granularity Hypergraph Retrieval-Augmented Generation for Multi-hop Question Answering
本文提出HGRAG方法，通过超图将细粒度实体与粗粒度段落进行跨粒度整合，结合结构关联和语义相似度检索，提升多跳问答性能并实现6倍检索加速。
2025-08-15 cs.AI cs.CL
Hierarchical Retrieval-Augmented Generation Model with Rethink for Multi-hop Question Answering
Northeastern University（东北大学）
本文提出用于多跳问答的层次检索增强生成框架HiRAG，通过结合文档级稀疏检索与块级密集检索及单候选检索策略，并构建两个新语料库，有效解决了信息过时和准确率-数量权衡问题，在四个数据集上优于现有模型。
2024-08-20 cs.AI cs.CL cs.IR
Generation-Augmented Retrieval for Open-domain Question Answering
University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Microsoft Azure AI（微软Azure人工智能部门）；Microsoft Research（微软研究院）
我们提出了代增强检索（GAR）回答开放域的问题，它增强了查询通过文本生成的启发式发现相关的上下文，而无需外部资源作为监督。我们证明，生成的上下文大大丰富了查询的语义，并且具有稀疏表示的GAR（BM 25）实现了与DPR等最先进的稠密检索方法相当或更好的性能。我们表明，为查询生成不同的上下文是有益的，因为融合他们的结果一致地产生更好的检索精度。此外，由于稀疏表示和密集表示通常是互补的，因此GAR可以很容易地与DPR相结合，以实现更好的性能。当配备提取阅读器时，GAR在提取QA设置下对Natural Questions和TriviaQA数据集实现了最先进的性能，并且在使用相同的生成阅读器时始终优于其他检索方法。
2021-08-06 cs.CL cs.IR
Retrieval Augmented Visual Question Answering with Outside Knowledge
University of Cambridge（剑桥大学）
外部知识视觉问答（OK-VQA）是一个具有挑战性的VQA任务，需要检索外部知识来回答有关图像的问题。最近的OK-VQA系统使用密集段落检索（DPR）从外部知识库（如维基百科）检索文档，但DPR与答案生成分开训练，对整体系统性能带来了潜在的限制。相反，我们提出了一个联合训练方案，其中包括微分DPR与答案生成集成，使系统可以在一个端到端的方式进行训练。我们的实验表明，我们的计划优于最近的OK-VQA系统具有强大的DPR检索。我们还引入了新的诊断指标来分析检索和生成如何相互作用。我们的模型的强大检索能力显着减少了训练所需的检索文档的数量，在训练所需的答案质量和计算方面产生了显着的好处。
2022-10-29 cs.CL
Healthier LLMs: Retrieval-Augmented Generation for Public Health Question Answering
研究针对大型语言模型在公共卫生问答受幻觉等限制的问题，采用检索增强生成方法，通过扩展基准并系统评估检索与生成选择，比较多种检索方式，引入评判方法，突出检索对可靠公共卫生问答的作用并提供实用指导。
2026-07-09 cs.AI cs.CL cs.LG
Fine-grained Late-interaction Multi-modal Retrieval for Retrieval Augmented Visual Question Answering
University of Cambridge（剑桥大学）
本文提出细粒度晚期交互多模态检索FLMR，通过视觉模型对齐和多维嵌入改进RA-VQA的知识检索，将PRRecall@5提升约8%，并在OK-VQA上取得约61%的VQA分数。
2023-10-28 cs.CL cs.CV
MultiFinRAG: An Optimized Multimodal Retrieval-Augmented Generation (RAG) Framework for Financial Question Answering
S&P Global Ratings（标普全球评级）
MultiFinRAG通过多模态提取和分层回退策略，提升金融问答任务中跨模态推理的准确性，比ChatGPT-4o在复杂任务上高19个百分点。
2025-06-25 cs.AI cs.CE cs.CL
Retrieval-Augmented Question Answering over Scientific Literature for the Electron-Ion Collider
Ramaiah University of Applied Sciences, India（印度拉马伊亚应用科学大学）
本文提出一种基于检索增强生成的问答系统，利用arXiv文献和LLaMA模型回答核物理领域专业问题，提供隐私保护且成本低廉的解决方案。
2026-04-02 cs.AI hep-ex physics.ins-det
Quebec Automobile Insurance Question-Answering With Retrieval-Augmented Generation
Université Laval（拉瓦尔大学）
本文构建了魁北克汽车保险专业知识参考语料库及82个专家问答集，评估了GPT4-o结合RAG架构在保险问答中的表现，发现该专业知识语料库能提升自动与人工评估效果，但指出其仍存在5%至13%的虚假陈述风险，尚不足以在关键领域大规模应用。
2024-10-12 cs.CL
Repair Before Reinforce: Context-Augmented Knowledge Graph Reasoning for Multi-Hop Question Answering
Princeton University（普林斯顿大学）
提出上下文增强训练框架，通过附加支持三元组形成上下文图，结合自适应修复和强化学习，提升多跳问答性能。
2026-09-14 cs.AI cs.CL
Q-FSRU: Quantum-Augmented Frequency-Spectral Fusion for Medical Visual Question Answering
Amity Centre for Artificial Intelligence, Amity University, Noida（阿米蒂人工智能中心，阿米蒂大学，诺伊达）
本文提出Q-FSRU模型，将频谱表示融合与量子检索增强生成相结合，用于医学视觉问答，并在VQA-RAD数据集上验证其在复杂图像-文本推理任务中的性能与可解释性优势。
2025-08-16 cs.AI cs.CV
