RbFT: Robust Fine-tuning for Retrieval-Augmented Generation against Retrieval Defects
Tsinghua University（清华大学）
提出RbFT方法，通过两项针对性微调任务增强LLMs对检索缺陷的鲁棒性，显著提升RAG系统在多种检索条件下的表现，同时保持高推理效率与兼容性。
2025-01-30 cs.CL cs.IR
PairDistill: Pairwise Relevance Distillation for Dense Retrieval
National Taiwan University（台湾大学）
针对 pointwise 蒸馏存在比较不一致的问题，本文提出 PairDistill，利用成对重排序提供细粒度文档区分以训练稠密检索模型，并在多个基准上取得最先进性能。
2024-10-02 cs.CL cs.IR
FGR-ColBERT: Identifying Fine-Grained Relevance Tokens During Retrieval
Brno University of Technology（布尔诺理工大学）
FGR-ColBERT通过整合来自LLM的细粒度相关性信号改进检索模型，在MS MARCO上实现更高的token级F1分数，同时保持高效和高召回率。
2026-03-31 cs.CL cs.IR
AIANO: Enhancing Information Retrieval with AI-Augmented Annotation
Institute for Artificial Intelligence in Medicine (IKIM), University Hospital Essen (AöR)（人工智能医学研究所（IKIM）、埃森大学医院（AöR））
AIANO通过结合人类专业知识与LLM帮助，提升信息检索数据集的创建效率和准确性。
2026-02-04 cs.CL cs.IR
LevelRAG: Enhancing Retrieval-Augmented Generation with Multi-hop Logic Planning over Rewriting Augmented Searchers
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Chinese Academy of Sciences（中国科学院）；University of Chinese Academy of Sciences（中国科学院大学）；Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
LevelRAG通过高层搜索器将复杂查询分解为原子查询，并利用基于Lucene语法的稀疏搜索器，在混合检索中提升检索完整性与准确性，超越现有RAG方法及GPT4o。
2025-02-25 cs.CL cs.IR
FAQ Retrieval using Query-Question Similarity and BERT-Based Query-Answer Relevance
LINE Corporation（LINE公司）；Yahoo Japan Corporation（雅虎日本公司）；Kyoto University（京都大学）
常见问题（FAQ）检索是一项重要的任务，其目标是根据用户的查询从数据库中检索出合适的问答（QA）对。我们提出了一个FAQ检索系统，认为用户的查询和问题之间的相似性，以及查询和答案之间的相关性。虽然常见的FAQ检索方法是构造标记数据进行训练，但它需要标注成本。因此，我们使用传统的无监督信息检索系统来计算查询和问题之间的相似度。另一方面，可以通过使用FAQ数据库中的QA对来学习查询和答案之间的相关性。最近提出的BERT模型用于相关性计算。由于FAQ页面中的QA对的数量不足以训练模型，我们通过利用与问题中的FAQ集相似的FAQ集来解决这个问题。我们在两个数据集上评估我们的方法。第一个是localgovFAQ，这是我们在日本行政自治区域中构建的数据集。第二个是StackExchange数据集，这是英文的公共数据集。我们证明，我们提出的方法优于基线方法在这些数据集上。
2019-05-24 cs.CL cs.IR
Metacognitive Retrieval-Augmented Large Language Models
Beijing Academy of Artificial Intelligence（北京人工智能研究院）；University de Montreal（蒙特利尔大学）
本文提出MetaRAG方法，将检索增强生成与元认知相结合，通过三步元认知调节流程使模型自我反思并修复认知不足，显著提升了多跳推理任务的响应准确性。
2024-02-18 cs.CL cs.IR
Loops On Retrieval Augmented Generation (LoRAG)
Amity Institute of Information Technology（阿米蒂信息技术学院）；Amity University（阿米蒂大学）
本文提出LoRAG框架，通过引入迭代循环机制整合生成模型与检索机制，在基准数据集上显著提升了文本生成的连贯性与相关性，超越了现有最先进模型。
2024-03-18 cs.CL cs.IR
A Large Language Model-based Framework for Semi-Structured Tender Document Retrieval-Augmented Generation
School of Information Management Sun Yat-sen University Guangzhou, China；School of Information Management Sun Yat-sen University Guangzhou, China corresponding author
针对大语言模型缺乏采购专业知识的问题，提出基于检索增强技术的框架以实现专业文档生成，确保招标文档的准确性与相关性。
2024-10-04 cs.CL cs.IR
Precise Zero-Shot Dense Retrieval without Relevance Labels
Carnegie Mellon University（卡内基梅隆大学）；University of Waterloo（滑铁卢大学）
虽然密集检索已被证明是有效和高效的跨任务和语言，它仍然难以创建有效的完全zero-shot稠密检索系统时，没有相关性标签。在本文中，我们认识到零样本学习和编码相关性的困难。相反，我们建议通过假设的文档嵌入（HyDE）。给定一个查询，HyDE第一个zero-shot命令一个遵循查询的语言模型（例如，InstructGPT）生成一个假设文档。该文档捕获相关性模式，但不真实，可能包含错误的细节。然后，一个无监督的对比学习编码器（例如Contriever）将文档编码为嵌入向量。该向量识别语料库嵌入空间中的邻域，其中基于向量相似性检索相似的真实文档。第二步将生成的文档与实际的语料库联系起来，编码器的密集瓶颈过滤掉了不正确的细节。我们的实验表明，HyDE显著优于最先进的无监督密集检索器Contriever，并显示出与微调检索器相当的强大性能，跨越各种任务（例如Web搜索，QA，事实验证）和语言（例如SW，KO，JA）。
2022-12-20 cs.CL cs.IR
Incorporating Relevance Feedback for Information-Seeking Retrieval using Few-Shot Document Re-Ranking
Technical University of Darmstadt（达姆施塔特工业大学）
将词汇检索器与神经重排序模型配对在大规模信息检索数据集上具有最先进的性能。该管道涵盖了诸如问答或导航查询之类的场景，然而，对于信息搜索场景，用户通常以点击或显式反馈的形式提供关于文档是否与其查询相关的信息。因此，在这项工作中，我们将探讨如何通过采用Few-Shot和参数有效的学习技术将相关反馈直接集成到神经重排序模型中。具体来说，我们引入了一个kNN的方法，重新排名的文件的基础上，他们的相似性与查询和用户认为相关的文件。此外，我们还探索了交叉编码器模型，我们使用元学习进行预训练，随后针对每个查询进行微调，仅在反馈文档上进行训练。为了评估我们不同的集成策略，我们将四个现有的信息检索数据集转换为相关反馈的情况。大量的实验表明，将相关反馈直接集成到神经重排序模型中可以提高它们的性能，并且将词汇排序与我们表现最好的神经重排序器融合在一起，比所有其他方法都好5.2 nDCG@20。
2022-10-19 cs.CL cs.IR
Augmented Relevance Datasets with Fine-Tuned Small LLMs
Qwant（宽特科技）；Georgia Tech（佐治亚理工学院）；UTC Paris（巴黎 UTC）
针对构建高质量相关性数据集的资源密集问题，本文提出用微调小型大型语言模型（LLMs）自动化相关性评估以增强训练数据集，实验显示其优于部分闭源模型且大幅提升排序模型性能，为搜索引擎优化提供实用方案。
2025-04-14 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
Towards a Search Engine for Machines: Unified Ranking for Multiple Retrieval-Augmented Large Language Models
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文提出uRAG框架，通过统一检索引擎服务多个下游RAG系统，并构建含36个RAG系统的大规模实验生态，以研究面向机器的搜索引擎的核心问题。
2024-04-30 cs.CL cs.IR
Retrieval-Augmented Generation: A Comprehensive Survey of Architectures, Enhancements, and Robustness Frontiers
Independent Researcher（独立研究者）
本综述全面总结了检索增强生成（RAG）系统的架构分类与增强技术，分析了其在检索优化、解码控制等方面的进展与权衡，并指出了自适应检索与隐私保护等未来研究方向。
2025-05-28 cs.CL cs.IR
CIIR@LiveRAG 2025: Optimizing Multi-Agent Retrieval Augmented Generation through Self-Training
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本研究提出多智能体RAG框架mRAG，通过带奖励引导轨迹采样的自训练优化智能体协作，在SIGIR 2025 LiveRAG竞赛的DataMorgana衍生数据集上优于传统RAG基线，验证了其在复杂真实RAG任务中的有效性。
2025-06-12 cs.CL cs.IR
Evaluating Chunking Strategies for Retrieval-Augmented Generation on Academic Texts
研究在检索增强生成系统中，基于聚类的语义分块是否优于固定大小和递归分块，通过RAGAs框架在长结构化学术论文上评估检索和答案质量，发现聚类分块未超越简单策略。
2026-07-03 cs.AI cs.CL cs.IR
Combining Q&A Pair Quality and Question Relevance Features on Community-based Question Retrieval
Wuhan University of Technology（武汉理工大学）
问答社区已经成为人们从互联网上获取知识和信息的重要途径。然而，现有的翻译模型的基础上不考虑查询特定的语义时，分配权重的查询检索。因此，本文在传统主题翻译模型的基础上改进了术语加权模型，并进一步考虑问答对的质量特征，提出了一种基于社区的问答质量和相关度相结合的问题检索方法（T2LM+）。我们还提出了一种基于卷积神经网络的问句检索方法。实验结果表明，与目前比较先进的方法相比，本文提出的两种方法分别提高了MAP值4.91%和6.31%。
2019-07-03 cs.AI cs.CL cs.IR
Harnessing Retrieval-Augmented Generation (RAG) for Uncovering Knowledge Gaps
本研究提出利用RAG模型模拟用户搜索行为以发现互联网知识缺口的方法，验证其生成相关建议的准确率达93%，可应用于多领域，为后续工作提供指导。
2023-12-12 cs.AI cs.CL cs.IR
Collective Relevance Labeling for Passage Retrieval
Yonsei University（延世大学）；Seoul National University（首尔国立大学）
用于信息检索（IR）的深度学习需要大量高质量的查询-文档相关性标签，但是这样的标签本质上是稀疏的。标签平滑将一些观察到的概率质量重新分布在未观察到的实例上，通常是均匀的，不知道真实的分布。相比之下，我们提出了知识蒸馏知情的标签，而不会在评估时产生高的计算开销。我们的贡献是设计一个简单但有效的教师模型，利用集体知识，优于国家的艺术蒸馏从一个更复杂的教师模型。具体来说，我们的训练速度比最先进的老师快8倍，同时更好地提取排名。我们的代码可在https://github.com/jihyukkim-nlp/CollectiveKD上公开获取
2022-05-09 cs.AI cs.CL cs.IR
Beyond Relevance: Utility-Centric Retrieval in the LLM Era
State Key Laboratory of AI Safety, ICT, CAS（中国科学院计算技术研究所人工智能安全国家重点实验室）；University of Chinese Academy of Sciences（中国科学院大学）
本文探讨了在大语言模型时代，检索系统从以相关性为中心转向以效用为中心的转变，分析了效用与LLM需求及代理RAG的联系，提供设计检索系统的理论基础和实践指导。
2026-04-10 cs.AI cs.CL cs.IR
CRAB: A Benchmark for Evaluating Curation of Retrieval-Augmented LLMs in Biomedicine
PatSnap Co., LTD.（PatSnap公司）
针对生物医学检索增强大语言模型策展能力评估空白，提出多语言基准CRAB，采用基于引用的新指标，发现主流模型策展性能差异显著。
2025-08-06 cs.CL
Adversarial Training for Code Retrieval with Question-Description Relevance Regularization
The Ohio State University（俄亥俄州立大学）
代码检索是自然语言和程序设计语言匹配的关键任务。在这项工作中，我们提出了用于代码检索的对抗学习，即通过问题描述相关性进行正则化。首先，我们采用了一种简单的对抗性学习技术，在给定输入问题的情况下生成困难的代码片段，这可以帮助学习面临双模态和数据稀缺挑战的代码检索。其次，我们建议利用问题描述相关性来规范对抗性学习，这样生成的代码片段应该对代码检索训练损失做出更多贡献，只有当其配对的自然语言描述被预测为与用户给定的问题不太相关时。在两种程序设计语言的大规模代码检索数据集上的实验表明，我们的对抗性学习方法能够提高最先进模型的性能。此外，使用额外的重复问题预测模型来正则化对抗学习进一步提高了性能，这比在强多任务学习基线中使用重复问题更有效
2020-11-10 cs.AI cs.CL cs.IR
Meta-prompting Optimized Retrieval-augmented Generation
University of Lisbon（里斯本大学）；Faculdade de Ciências (FCUL)（理学院（FCUL））
本文提出利用元提示优化精炼检索内容，以缓解检索增强生成中内容过载与焦点分散问题，并在StrategyQA多跳问答任务上取得超过30%的性能提升。
2024-07-04 cs.CL
The Effect of Text Chunk Size on Retrieval-Augmented Generation Performance
Milwaukee School of Engineering（密尔沃基工程学院）
研究文本块大小对检索增强生成性能的影响，评估其与检索段数量如何影响生成质量和检索效果，通过比较配置，以更好理解文档分割对检索增强生成系统性能和效率的作用。
2026-07-29 cs.AI cs.CL cs.IR
GeAR: Graph-enhanced Agent for Retrieval-augmented Generation
Huawei Technologies Co., Ltd.（华为技术有限公司）
GeAR通过图扩展机制增强基础检索器，并集成智能体框架实现多步检索，在MuSiQue等数据集上取得超10%的性能提升。
2025-06-22 cs.AI cs.CL cs.IR
ClusterRAG: Cluster-Based Collaborative Filtering for Personalized Retrieval-Augmented Generation
University of Arkansas（阿肯色大学）；Walmart Inc.（沃尔玛公司）
ClusterRAG通过聚类用户轮廓文档，利用相似用户的协同信号提升当前用户的个性化生成性能，通过在集群和文档层面进行检索，实现了高效的个性化检索增强生成。
2026-04-14 cs.AI cs.CL cs.IR
Towards Comprehensive Vietnamese Retrieval-Augmented Generation and Large Language Models
Foundation Models Lab, BKAI（BKAI基础模型实验室）；Hanoi University of Science and Technology（河内科技大学）；University of Information Technology（信息技术大学）；Vietnam National University HCMC（胡志明市越南国家大学）
该研究通过开发发布越南语RAG和LLM的开放数据集与预训练模型，推动越南语理解与生成领域的技术发展。
2024-03-05 cs.CL
RAGE Against the Machine: Retrieval-Augmented LLM Explanations
University of Waterloo（滑铁卢大学）；York University（约克大学）
本文提出RAGE，一个交互式工具，通过反事实分析和剪枝方法解释检索增强的大语言模型，帮助用户识别影响答案的关键上下文并查看答案来源。
2024-05-11 cs.AI cs.CL cs.IR
NPRF: A Neural Pseudo Relevance Feedback Framework for Ad-hoc Information Retrieval
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心）；SAP SE（SAP公司）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
伪相关反馈（PRF）通常用于通过使用排名靠前的文档来识别和加权新的查询词来提高传统信息检索（IR）模型的性能，从而减少查询-文档词汇不匹配的影响。虽然神经检索模型最近已经证明了ad-hoc检索的强大结果，但由于现有的PRF方法和神经架构之间的不兼容性，将它们与PRF相结合并不简单。为了弥补这一差距，我们提出了一个端到端神经PRF框架，可以通过嵌入不同的神经模型作为构建块来与现有的神经IR模型一起使用。在两个标准测试集上的大量实验证实了所提出的NPRF框架在提高两个最先进的神经IR模型的性能方面的有效性。
2018-10-30 cs.AI cs.CL cs.IR
RAR: Setting Knowledge Tripwires for Retrieval Augmented Rejection
University of Pavia（帕维亚大学）
针对大语言模型内容审核灵活性不足的问题，提出检索增强拒斥方法RAR，通过在RAG向量库插入标记的恶意文档实现动态拒斥，性能媲美内置审核且适配性更强，无需改动现有架构。
2025-05-19 cs.CL cs.CR cs.IR
xRAG: Extreme Context Compression for Retrieval-augmented Generation with One Token
Peking University（北京大学）；Microsoft（微软公司）；National Key Laboratory of General Artificial Intelligence（通用人工智能国家重点实验室）
本研究提出xRAG检索增强生成上下文压缩方法，通过模态桥接器融合检索文档嵌入与语言模型空间，冻结检索器和大模型，实现极致压缩，在多项任务上性能提升超10%且FLOPs降低3.53倍。
2024-12-09 cs.AI cs.CL cs.IR
Surface-Based Retrieval Reduces Perplexity of Retrieval-Augmented Language Models
Linköping University（林雪平大学）；Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）；Recorded Future（记录未来公司）
本文发现Retro模型的性能增益主要来自表层相似性，提出用BM25替换其语义检索，显著降低困惑度，并通过重排序以较小计算代价保持效果。
2023-07-04 cs.CL
R^2AG: Incorporating Retrieval Information into Retrieval Augmented Generation
School of Computer Science, South China Normal University（华南师范大学计算机学院）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
针对大语言模型与检索器间的语义鸿沟问题，提出新型增强RAG框架R^2AG，通过R^2-Former捕获检索信息并结合检索感知提示策略，在低资源冻结场景下经五个数据集验证有效提升生成效果。
2024-10-30 cs.AI cs.CL cs.IR
Improve Rule Retrieval and Reasoning with Self-Induction and Relevance ReEstimate
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
针对规则检索中查询事实与规则抽象表示存在语义鸿沟导致准确率低的问题，提出自归纳增强检索SIAR和规则相关性重估R³方法，有效提升检索与推理效果。
2025-05-16 cs.AI cs.CL cs.IR
Improving Retrieval-Augmented Large Language Models via Data Importance Learning
ETH Zürich（苏黎世联邦理工学院）；University of Amsterdam（阿姆斯特丹大学）；Apple（苹果公司）
本文提出基于多线性扩展的数据重要性评估算法及其高效近似算法，通过仅剪枝或重加权检索语料库而无需进一步训练即可提升检索增强大语言模型性能，并验证了其高效性与有效性。
2023-07-06 cs.CL cs.IR cs.LG
Reducing Redundancy in Retrieval-Augmented Generation through Chunk Filtering
AI Lab – VO2 Group（AI实验室–VO2小组）
本文通过语义、主题和命名实体过滤策略减少检索增强生成中的冗余，实验表明实体过滤可减少向量索引大小25%-36%并保持高检索质量。
2026-04-27 cs.CL
Enhancing Retrieval-Augmented LMs with a Two-stage Consistency Learning Compressor
College of Intelligence and Computing, Tianjin University（天津大学智能与计算学部）；Artificial Intelligence Laboratory, China Mobile Communication Group Tianjin Co., Ltd.（中国移动通信集团天津有限公司人工智能实验室）；University College London（伦敦大学学院）
本文提出一种用于检索增强语言模型的两阶段一致性学习压缩方法，通过结合对比与一致性学习生成对齐教师模型且忠实于原文的摘要，显著提升了问答任务的精确度与效率。
2024-06-04 cs.CL
RAD-Bench: Evaluating Large Language Models Capabilities in Retrieval Augmented Dialogues
National Taiwan University（台湾大学）；MediaTek Research（联发科研究院）
针对现有基准缺乏多轮检索增强对话评估的空白，提出RAD-Bench基准，评估大模型的检索综合与推理能力，实验发现多轮约束增加时模型性能会下降。
2025-02-21 cs.CL
RUBEN: Rule-Based Explanations for Retrieval-Augmented LLM Systems
University of Waterloo（滑铁卢大学）；York University（约克大学）
RUBEN通过新型剪枝策略发现最小规则集解释检索增强大语言模型输出，用于测试安全训练和对抗性提示注入效果。
2026-05-11 cs.CL
Retrieval-Augmented Generation Based Nurse Observation Extraction
本文提出自动流程减轻护士负担，通过RAG方法提取临床观察，达到0.796的F1分数。
2026-03-27 cs.CL
REPLUG: Retrieval-Augmented Black-Box Language Models
University of Washington（华盛顿大学）；Stanford University（斯坦福大学）；KAIST（韩国科学技术院）；Meta AI
提出REPLUG检索增强框架，将LM视为黑盒并前置检索文档，同时利用LM监督检索模型，在GPT-3和Codex上显著提升了语言建模与MMLU性能。
2023-05-24 cs.CL
On the fractal nature of mutual relevance sequences in the Internet news message flows
Elvisti（埃尔维斯蒂（公司））；Kiev Polytechnical Institute（基辅理工学院）
在信息检索任务中，相关性是指检索系统给出的文档与用户的信息查询在形式上的一致性。一般来说，检索系统找到的文件应该按一定的顺序提交给用户。因此，检索被认为是一个选择的文件正式解决用户的查询，应该补充一定的程序处理相关的设置。很自然地引入了一个文档符合查询的定量度量，即相关性度量。由于不存在确定相关性度量的单一规则，我们将考虑其中两个我们认为最简单的规则。所提出的方法不设任何限制，可以适用于其他相关性措施。
2007-10-01 cs.CL
Optimizing example selection for retrieval-augmented machine translation with translation memories
Sorbonne Université（索邦大学）；ChapsVision（沙普斯视觉公司）
本研究针对检索增强机器翻译，利用子模函数理论优化翻译记忆示例选择，以最大化源句覆盖率，提升多莱文斯坦变换器的翻译性能。
2024-05-23 cs.CL
RetrievalQA: Assessing Adaptive Retrieval-Augmented Generation for Short-form Open-Domain Question Answering
University of Technology Sydney（悉尼科技大学）；University of Liverpool（利物浦大学）
本文提出RetrievalQA基准评估自适应检索增强生成，并发现现有方法依赖阈值或提示不足，进而提出无需校准与训练的TA-ARE方法以有效判断检索必要性。
2024-06-05 cs.CL
Enhancing Retrieval-Augmented Large Language Models with Iterative Retrieval-Generation Synergy
Tsinghua University（清华大学）；Microsoft Research Asia（微软亚洲研究院）；Microsoft Azure AI（微软Azure人工智能）
本文提出 Iter-RetGen 方法，通过迭代方式协同检索与生成，利用模型输出作为上下文检索相关知识，在多跳问答等任务上以更少开销优于或媲美现有基线。
2023-10-23 cs.CL
AccurateRAG: A Framework for Building Accurate Retrieval-Augmented Question-Answering Applications
Qualcomm AI Research（高通人工智能研究）
AccurateRAG通过高效流程和本地构建能力，在问答任务中实现更高性能和新状态的SOTA表现。
2026-03-03 cs.CL
CommunityKG-RAG: Leveraging Community Structures in Knowledge Graphs for Advanced Retrieval-Augmented Generation in Fact-Checking
University of California, Davis（加利福尼亚大学戴维斯分校）
针对大语言模型与RAG系统未整合实体关系和社区结构、限制事实核查信息检索效果的问题，提出融合知识图谱社区结构的零样本框架CommunityKG-RAG，利用多跳特性提升检索准确率与相关性，实验证明其性能优于传统方法，为事实核查提供鲁棒高效的可扩展方案。
2024-08-16 cs.CL
ARMED: Adaptive Retrieval-Augmented Medication Recommendation
UX Factory, Inc.（UX工厂公司）
本研究针对现有药物推荐系统固定检索流程的缺陷，提出自适应临床RAG框架ARMED，通过动态扩展检索等机制，在MIMIC-IV数据集上优于静态基线，且无需外部API或特定任务微调。
2026-10-14 cs.AI cs.CL cs.IR
End-to-End Trainable Retrieval-Augmented Generation for Relation Extraction
National Institute of Standards and Technology（美国国家标准与技术研究院）；Colorado State University（科罗拉多州立大学）；Toyota Technological Institute（丰田工业大学）
针对检索增强生成中实例检索不可微导致无法端到端训练的问题，提出ETRAG框架，通过可微的k近邻选择实现检索器与关系抽取目标的联合优化，在TACRED数据集上显著提升性能。
2024-10-10 cs.CL
DioR: Adaptive Cognitive Detection and Contextual Retrieval Optimization for Dynamic Retrieval-Augmented Generation
Zhejiang Key Laboratory of Intelligent Education Technology and Application, Zhejiang Normal University（浙江智能教育技术与应用重点实验室，浙江师范大学）；School of Computer Science and Technology, Zhejiang Normal University（浙江师范大学计算机科学与技术学院）；School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）；Department of Computer Science and Engineering, Hong Kong University of Science and Technology（香港科技大学计算机科学与工程系）；School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）
针对现有动态RAG方法存在的检索触发机制不足、检索内容缺乏审查的问题，提出包含自适应认知检测与上下文检索优化组件的DioR方法，在所有任务上性能更优。
2025-05-17 cs.CL
Retrieval-Augmented Classification with Decoupled Representation
Beihang University（北京航空航天大学）；ByteDance Inc.（字节跳动公司）；Harbin Institute of Technology（哈尔滨工业大学）
本文提出一种基于k近邻的检索增强分类方法，通过解耦分类与检索的表示来提升性能与训练稳定性，并在多个数据集上验证了其有效性和鲁棒性。
2023-04-11 cs.CL
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
FilterRAG: Zero-Shot Informed Retrieval-Augmented Generation to Mitigate Hallucinations in VQA
University of Maryland, Baltimore County（马里兰大学巴尔的摩分校）
FilterRAG通过结合BLIP-VQA与检索增强生成，利用外部知识源减少视觉问答中的幻觉问题，提升模型在知识驱动和分布外场景的鲁棒性。
2026-01-24 cs.CL cs.CV cs.IR
