InfoGain-RAG: Boosting Retrieval-Augmented Generation via Document Information Gain-based Reranking and Filtering
Kuaishou Technology, Beijing, China（快手科技，北京，中国）；Peking University, Beijing, China（北京大学，北京，中国）
本文提出文档信息增益（DIG）指标量化检索文档对答案生成的贡献，并构建InfoGain-RAG框架训练专门重排器以过滤无关文档，在多个基准上显著优于现有RAG方法。
2025-09-16 cs.AI cs.CL cs.IR
SPD-RAG: Sub-Agent Per Document Retrieval-Augmented Generation
TOBB University of Economics and Technology（托布大学经济与技术学院）；OSTIM Technical University（OSTIM技术大学）
SPD-RAG通过文档级子代理和集中融合提升多文档问答性能，实现高效检索与生成。
2026-03-09 cs.AI cs.CL cs.IR
Machine Against the RAG: Jamming Retrieval-Augmented Generation with Blocker Documents
The Hebrew University（希伯来大学）；Wild Moose（野驼鹿（Wild Moose））；Cornell Tech（康奈尔科技学院）
本文提出针对检索增强生成系统的“干扰”拒绝服务攻击，通过黑盒优化生成单个阻断文档即可使系统拒答特定查询，并评估其有效性及防御方法。
2025-03-10 cs.CL cs.CR cs.LG
More Documents, Same Length: Isolating the Challenge of Multiple Documents in RAG
School of Computer Science and Engineering（计算机科学与工程学院）
研究发现RAG中增加文档数量显著降低LLM性能，但Qwen2.5表现出更强的多文档处理能力。
2025-11-27 cs.CL
Cluster-based Adaptive Retrieval: Dynamic Context Selection for RAG Applications
University of Southern California（美国南加州大学）
针对RAG静态top-k检索无法适配不同查询需求的问题，提出基于聚类的自适应检索算法CAR，可动态选择最优检索文档数，在基准测试中表现优于固定基线，落地后显著降本增效并提升用户参与度。
2025-10-02 cs.AI cs.CL cs.IR
Citation-Enforced RAG for Fiscal Document Intelligence: Cited, Explainable Knowledge Retrieval in Tax Compliance
本文提出一种引用强化的RAG框架，用于财政文档智能，强调可解释性和可审计性，通过源优先的摄入策略和引用强制机制提升税务合规中的引用准确性与解释性。
2026-03-11 cs.AI cs.CL cs.IR
LAD-RAG: Layout-aware Dynamic RAG for Visually-Rich Document Understanding
University of Southern California（南加州大学）；Oracle AI（甲骨文人工智能）
LAD-RAG通过构建布局感知的文档图和动态检索机制，提升视觉丰富文档的检索与问答性能。
2026-02-28 cs.CL
Typos that Broke the RAG's Back: Genetic Attack on RAG Pipeline by Simulating Documents in the Wild via Low-level Perturbations
School of Computing（计算机学院）；Graduate School of AI（人工智能研究生院）
本文提出遗传攻击方法GARAG，通过低级扰动模拟真实噪声文档，系统评估并揭示RAG流水线各组件的脆弱性及整体鲁棒性风险。
2024-10-22 cs.CL
VLD-RAG: Agentic Vision-Language Retrieval-Augmented Generation for Long, Visually-Rich Multi-Page Documents
Mazelone（马泽隆）
研究针对视觉丰富的长文档问答的多模态检索增强生成，提出VLD-RAG框架，构建多模态索引并采用混合检索策略，经智能体工作流程协调，在相关基准上提升了证据页面检索及问答表现，凸显协调验证与混合检索的重要性。
2026-07-29 cs.AI cs.CL cs.IR
Probing-RAG: Self-Probing to Guide Language Models in Selective Document Retrieval
Chung-Ang University（中央大学）
本文提出Probing-RAG，利用语言模型中间层隐藏状态进行自我探测，自适应判断是否需要额外检索，在五个开放域QA数据集上减少冗余检索并提升性能。
2025-02-27 cs.CL
W-RAG: Source-Aware Retrieval for Enterprise Document Generation from Heterogeneous Knowledge Bases
The University of Texas at Dallas（德克萨斯大学达拉斯分校）；DIGITAL MANAGEMENT, LLC (DMI)；Massachusetts Institute of Technology（麻省理工学院）
针对异构知识库下企业文档生成中全局排序导致的上下文失衡问题，提出源感知检索框架W-RAG，引入相关数据集并验证其可提升文档覆盖率与生成质量。
2026-08-25 cs.CL cs.IR cs.SE
Parametric Knowledge in RAG-SFT for Domain-Specific Document Generation
Institute for Applied Informatics (InfAI) at Leipzig University（莱比锡大学应用信息学院）；CELUS GmbH, Munich（慕尼黑CELUS GmbH）
本文探讨RAG微调在电子设计自动化长文本生成中的应用，提出TriFEX评估框架和参数化知识精度指标，揭示传统指标的局限性，并展示小型模型在专用任务中的有效性。
2026-08-19 cs.AI cs.CE cs.CL
DocNavRAG: Document-Structured Graph RAG with Stateful Evidence Construction for Complex Document Question Answering
School of Computer Science, Wuhan University（武汉大学计算机学院）；The Hong Kong University of Science and Technology（香港科技大学）；The Chinese University of Hong Kong（香港中文大学）；ETH Zurich（苏黎世联邦理工学院）
本文提出DocNavRAG，将文档结构组织为可导航图并维护证据状态，在四个文档QA基准上，相比最强基线平均提升答案质量7.8%、上下文充分性17.7%。
2026-08-04 cs.CL
GROUNDEDKG-RAG: Grounded Knowledge Graph Index for Long-document Question Answering
getAbstract；Lucerne University of Applied Sciences and Arts（卢塞恩应用科学与艺术大学）
本文提出 groundedkg-rag，通过从源文档中显式提取并 grounding 知识图谱，提升长文档问答的效率和事实准确性，实验表明其在成本较低的情况下性能优于现有基线。
2026-04-06 cs.AI cs.CL
EnronQA: Towards Personalized RAG over Private Documents
Stanford University（斯坦福大学）；Snowflake（Snowflake公司）
针对现有RAG基准缺乏私有数据与个人上下文的问题，研究发布了包含103,638封邮件和528,304个问答对的EnronQA基准，以支持私有文档的个性化RAG评估，并探索记忆与检索的权衡。
2025-05-01 cs.CL cs.IR
Uncertainty-Aware Hybrid Retrieval for Long-Document RAG
Elmore Family School of Electrical and Computer Engineering, Purdue University（普渡大学埃尔莫尔家族电气与计算机工程学院）
提出UMG-RAG，一种无需训练的混合检索框架，通过多粒度分块和不确定性估计融合密集与稀疏检索结果，提升长文档问答质量。
2026-06-12 cs.AI cs.CL
Optimizing Multi-Hop Document Retrieval Through Intermediate Representations
School of Software, BNRist, Tsinghua University（软件学院、BNRist、清华大学）；Beijing Key Laboratory of Industrial Bigdata System and Application（北京工业大数据系统与应用重点实验室）；Gaoling School of Artificial Intelligence, Renmin University of China（甘露人工智能学院、中国人民大学）
本文提出L-RAG方法，通过利用中间层表示优化多跳文档检索，提升问答性能。
2026-01-29 cs.AI cs.CL cs.IR
How Retrieved Context Shapes Internal Representations in RAG
Department of Computer Science, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机科学系）
研究通过潜在表示分析检索文档类型对LLM隐藏状态的影响，揭示上下文相关性和分层处理对内部表示的影响，为RAG系统设计提供见解。
2026-04-16 cs.CL
SmartChunk Retrieval: Query-Aware Chunk Compression with Planning for Efficient Document RAG
University of Michigan（密歇根大学）；Adobe Research（Adobe研究）
SmartChunk通过查询自适应框架和强化学习方案提升长文档问答效率与准确性。
2025-12-17 cs.AI cs.CL cs.IR
Privacy-Preserving Reasoning with Knowledge-Distilled Parametric Retrieval Augmented Generation
Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing（北京未来区块链与隐私计算先进创新中心）；School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院）；Meituan（美团）
DistilledPRAG通过知识蒸馏实现高效参数化RAG，提升隐私保护推理的准确性和泛化能力。
2025-11-27 cs.CL
Chunking, Retrieval, and Re-ranking: An Empirical Evaluation of RAG Architectures for Policy Document Question Answering
Computer Science (EECS) University of Toledo Toledo, OH, USA
本文通过实证评估，比较了RAG架构在政策文件问答中的有效性，发现Advanced RAG在忠实度上表现更优，但文档分段限制影响多步骤推理。
2026-01-21 cs.AI cs.CL cs.IR
GTA-RAG: Graph-Trajectory-Augmented Reinforcement Learning for Multi-Turn Retrieval-Augmented Reasoning
Shenzhen University（深圳大学）；Great Bay University（大湾区大学）；Ant Group（蚂蚁集团）
GTA-RAG是一种图轨迹增强强化学习框架，通过轨迹级监督优化检索策略，在多跳和简单问答基准上，相比RL-based RAG基线提升了性能与证据链覆盖率。
2026-09-01 cs.CL cs.LG
Improving Retrieval for RAG based Question Answering Models on Financial Documents
本文针对金融文档问答中RAG检索质量不足的问题，提出通过改进分块、查询扩展、元数据标注、重排序和嵌入微调等策略来提升检索效果，从而增强LLMs回答的准确性与可靠性。
2024-08-01 cs.CL cs.IR cs.LG
Safeguarding RAG Pipelines with GMTP: A Gradient-based Masked Token Probability Method for Poisoned Document Detection
Graduate School of Artificial Intelligence, POSTECH, Republic of Korea（人工智能研究生院，POSTECH，韩国）；Department of Computer Science and Engineering, POSTECH, Republic of Korea（计算机科学与工程系，POSTECH，韩国）
针对 RAG 知识库面临的投毒文档攻击，本文提出 GMTP，利用检索器相似度梯度定位关键 Token，并结合 MLM 概率检测恶意内容，可消除 90% 以上投毒信息且保持系统性能。
2025-07-24 cs.AI cs.CL
HiChunk: Evaluating and Enhancing Retrieval-Augmented Generation with Hierarchical Chunking
Tencent Youtu Lab（腾讯优图实验室）
针对RAG分块缺乏有效评估的问题，提出HiCBench基准和基于微调LLM的HiChunk层次化分块框架，结合自动合并检索，提升分块质量与RAG整体性能。
2025-10-09 cs.AI cs.CL
Qwen Goes Brrr: Off-the-Shelf RAG for Ukrainian Multi-Domain Document Understanding
National Technical University of Ukraine（乌克兰国家技术大学）
本文提出一种基于RAG的多领域文档理解系统，通过上下文分块、问题感知密集检索与重排序及受限答案生成提升召回率和准确率。
2026-05-11 cs.AI cs.CL cs.IR
MAGE-RAG: Multigranular Adaptive Graph Evidence for Agentic Multimodal RAG in Long-Document QA
University of Science and Technology of China（中国科学技术大学）
提出MAGE-RAG框架，通过离线构建包含页面和元素节点的证据图，在线自适应构建证据子图，平衡证据覆盖与噪声控制，在长文档多模态问答中取得最优性能。
2026-06-16 cs.AI cs.CL cs.DB
Multi-Head RAG: Solving Multi-Aspect Problems with LLMs
Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系）；IDEAS Research Institute（IDEAS研究 institute）；NASK National Research Institute（国家研究 institute）
多头RAG通过利用Transformer多头注意力机制提升多方面查询的检索准确性，实现更高的检索成功率和下游生成性能。
2026-02-25 cs.AI cs.CL cs.IR
Blended RAG: Improving RAG (Retriever-Augmented Generation) Accuracy with Semantic Search and Hybrid Query-Based Retrievers
IBM（国际商业机器公司）
本文提出Blended RAG方法，通过融合稠密向量索引、稀疏编码器索引与混合查询策略提升检索准确性，在NQ、TREC-COVID及SQUAD等数据集上取得优于微调的效果。
2024-08-04 cs.AI cs.CL cs.IR
MacRAG: Compress, Slice, and Scale-up for Multi-Scale Adaptive Context RAG
POSCO HOLDINGS（POSCO控股公司）；University of California, Santa Barbara（加州大学圣巴巴拉分校）；Google Cloud（谷歌云）
针对现有RAG系统检索不准、上下文覆盖不全等问题，提出分层框架MacRAG，通过粗细粒度划分与自适应扩展构建查询专属上下文，在多基准测试中优于基线，为长上下文多跳推理提供高效可扩展方案。
2025-05-20 cs.AI cs.CL cs.IR
Insight-RAG: Enhancing LLMs with Insight-Driven Augmentation
Megagon Labs（美加贡实验室）
本文提出Insight-RAG框架，通过LLM分析查询提取信息需求并利用专用LLM挖掘洞察，有效解决了传统RAG忽视深层信息、跨源洞察及非问答任务的问题，显著提升了性能与适用性。
2025-03-31 cs.CL cs.LG
LitSeg: Narrative-Aware Document Segmentation for Literary RAG
Peking University（北京大学）
提出LitSeg，一种基于叙事理论引导的文档分割框架，通过多阶段提示提取事件、梳理叙事线索并定位转折点，以解决现有分割方法忽视文学叙事结构导致检索与生成性能下降的问题，并引入轻量版LitSeg-Lite通过数据蒸馏降低计算开销。
2026-09-09 cs.AI cs.CL
CHOP: Chunkwise Context-Preserving Framework for RAG on Multi Documents
HDC LABS（HDC实验室）
CHOP通过分块相关性评估和上下文连续性决策模块，有效解决多文档检索中相似文档导致的检索混淆问题，提升检索准确性和知识库质量。
2026-04-17 cs.CL
EnSI-RAG: Entity-Structure-Indexed Retrieval-Augmented Generation for Long-Document Question Answering
该研究针对长文档问答的RAG方法缺陷，提出EnSI-RAG框架，构建以实体为中心的索引，在Loong和Oolong数据集上平均准确率达78.24，较基准提升6.62个百分点，验证了其有效性。
2026-08-24 cs.AI cs.CL cs.DB
Roles of MLLMs in Visually Rich Document Retrieval for RAG: A Survey
Beihang University（北航大学）
本文综述了多模态大语言模型在视觉丰富文档检索中的应用，探讨了三种关键角色及其在RAG中的作用与权衡。
2025-12-16 cs.CL cs.IR
VisRAG: Vision-based Retrieval-augmented Generation on Multi-modality Documents
Tsinghua University（清华大学）；ModelBest Inc.（模贝斯特公司）；Rice University（莱斯大学）；Northeastern University（东北大学）
本文提出VisRAG，一种基于视觉语言模型（VLM）的RAG管道，直接将文档作为图像嵌入和检索，避免了传统文本解析的信息丢失，在多模态文档检索和生成上比传统方法提升20-40%。
2025-03-02 cs.AI cs.CL cs.CV
MAIN-RAG: Multi-Agent Filtering Retrieval-Augmented Generation
Texas A&M University（德克萨斯农工大学）；Visa Research（Visa研究院）；Worcester Polytechnic Institute（伍斯特理工学院）；University of Utah（犹他大学）；University of Houston（休斯顿大学）
本文提出无需训练的多智能体过滤检索增强生成框架MAIN-RAG，通过多个LLM智能体协作过滤评分检索文档，并利用自适应阈值机制在保持高召回的同时降低噪声，在四个QA基准上实现2-11%的准确率提升。
2024-12-31 cs.CL cs.IR
SuperRAG: Beyond RAG with Layout-Aware Graph Modeling
Cinnamon AI（肉桂人工智能公司）；Hung Yen University of Technology and Education（兴安工业大学）；Deakin University（迪肯大学）
本文提出SuperRAG，通过基于文档布局解析的图建模保留文本、表格和图形之间的多模态关系，并在四个基准上验证其提升RAG流水线性能的有效性。
2025-02-28 cs.AI cs.CL
Analyzing Quality-Latency-Resource Trade-offs in a Technical Documentation RAG Assistant Using LoRA Adaptation
HSE University（俄罗斯高等经济大学）
本研究通过LoRA适配器在RAG系统中分析质量、延迟和资源之间的权衡，发现仅对q和v注意力投影进行适配的配置在帕累托前沿占优。
2026-05-27 cs.CL cs.IR cs.LG
Quality-Aware Translation Tagging in Multilingual RAG system
Yonsei University（延世大学）；University of Ulsan College of Medicine（釜山大学医学院）；LG Electronics, Toronto AI Lab（LG电子，多伦多AI实验室）
提出QTT-RAG，通过评估翻译质量并附加分数元数据，提升多语言RAG在低资源场景下的响应生成性能，优于现有基线。
2025-10-27 cs.AI cs.CL
When More Documents Hurt RAG: Measuring and Reducing Vector Search Dilution with Domain-Scoped Retrieval
Dept. of Electrical Engineering & Computer Science, University of Wyoming（怀俄明大学电气工程与计算机科学系）；Dept. of Civil, Architectural Engineering & Construction Management, University of Wyoming（怀俄明大学土木、建筑工程与施工管理系）
针对检索增强生成在异构文档集合中因向量搜索稀释导致性能下降的问题，提出基于组织元数据的领域限定方法MASDR-RAG，显著提升P@10至0.86，并揭示多智能体编排的精度-忠实度悖论。
2026-10-15 cs.CL cs.IR
RAG Strategies for Natural Language-Based SQL Query and REST API Call Generation
IU International University of Applied Sciences（国际应用科学大学）
本文评估了三种RAG变体在生成SQL和API调用任务中的性能，发现CoRAG在混合文档环境下表现最佳，检索策略设计对自然语言接口至关重要。
2026-08-04 cs.AI cs.CL cs.SE
Advanced ingestion process powered by LLM parsing for RAG system
Applus+ IDIADA
针对 RAG 系统处理多模态文档的难题，提出基于 LLM 驱动 OCR 的多策略解析方法，利用节点提取、Multimodal Assembler Agent 和灵活嵌入策略增强文档理解与检索，在多个知识库上提升了答案相关性与信息忠实度。
2024-12-16 cs.AI cs.CL cs.IR
VDocRAG: Retrieval-Augmented Generation over Visually-Rich Documents
NTT Human Informatics Laboratories, NTT Corporation（NTT公司人类信息学研究所）；Tohoku University（东北大学）
针对混合模态、多样格式的视觉丰富文档，提出VDocRAG框架，以统一图像格式理解文档避免信息丢失，通过自监督预训练任务适配视觉语言模型，还构建OpenDocVQA数据集，实验显示其性能优于传统文本RAG且泛化性强。
2025-04-14 cs.AI cs.CL cs.CV
FIT-RAG: Black-Box RAG with Factual Information and Token Reduction
Zhejiang University（浙江大学）；Zhejiang Gongshang University（浙江工商大学）
本文提出黑盒RAG框架FIT-RAG，通过双标签文档评分器利用事实信息，并引入自我知识识别器和子文档级Token缩减器，在三个问答数据集上显著提升了LLM回答准确率并节省约一半Token。
2024-03-21 cs.CL cs.IR
KohakuRAG: A simple RAG framework with hierarchical document indexing
National Tsing Hua University；Comfy Org Research；Kohaku-Lab
KohakuRAG通过层次文档索引和集合推理技术，提升了检索增强生成系统在高精度引用任务中的性能，取得挑战赛第一名。
2026-03-08 cs.CL
Less LLM, More Documents: Searching for Improved RAG
School of Computer Science, Carnegie Mellon University（计算机科学系，卡内基梅隆大学）
本文研究了扩大检索器文档库对RAG性能的影响，发现增大文档库可提升性能，甚至在某些情况下优于使用更大模型，但存在边际效益递减的问题。
2026-01-16 cs.CL cs.IR
Transforming Questions and Documents for Semantically Aligned Retrieval-Augmented Generation
Seokgi Lee
提出一种面向多跳问答的RAG框架，利用LLM分解复杂问题并基于生成问题的嵌入相似度检索文档块，有效提升了多跳问答性能。
2025-08-13 cs.CL
Retrieval or Representation? Reassessing Benchmark Gaps in Multilingual and Visually Rich RAG
Parexel AI Labs（Parexel AI实验室）
该研究通过系统分析发现，文档表示质量是多语言和视觉丰富RAG基准提升的主要因素，而非检索方法改进。
2026-03-04 cs.CL
Customized Retrieval Augmented Generation and Benchmarking for EDA Tool Documentation QA
The Chinese University of Hong Kong（香港中文大学）；ChatEDA Tech（ChatEDA科技公司）；Shanghai AI Laboratory（上海人工智能实验室）
本文提出面向EDA工具文档问答的定制化RAG框架，包含对比学习微调、LLM蒸馏重排序器和生成式LLM微调三项技术，并发布OpenROAD平台基准ORD-QA，实验证明其性能优于现有最先进方法。
2024-07-26 cs.AR cs.CL
Quantifying Retriever-Generator Alignment in RAG with Local Explanations
Department of Computer and Systems Sciences, Stockholm University（斯德哥尔摩大学计算机与系统科学系）；BIFOLD, Technische Universität Berlin（柏林技术大学BIFOLD）；Department of Informatics, Athens University of Economics and Business（雅典经济与商业大学信息系）；Archimedes, Athena Research Centre（雅典研究中心Archimedes）
研究RAG系统中检索器与生成器交互不透明问题，提出RAG-E框架，用数学归因方法量化二者对齐，通过实验表明WARG能更好捕捉对齐情况，为审计交互提供实用框架，提升RAG系统可靠性与透明度。
2026-10-09 cs.CL
LLM-Assisted Question-Answering on Technical Documents Using Structured Data-Aware Retrieval Augmented Generation
Department of Electrical & Electronic Engineering, Bangladesh University of Engineering & Technology（电子与电气工程系，孟加拉国工程与技术大学）
针对传统RAG难以处理技术文档中表格和图像等结构化数据的问题，提出结合向量相似性搜索与基于Gemma-2-9b-it的RAFT微调重排序器的RAG流程，在忠实度和答案相关性上表现优异。
2025-06-29 cs.CL
Multilingual Retrieval Augmented Generation for Culturally-Sensitive Tasks: A Benchmark for Cross-lingual Robustness
University of Pennsylvania（宾夕法尼亚大学）
本文提出BordIRLines基准，包含49种语言的领土争端数据集，评估多语言检索增强生成的跨语言鲁棒性，发现多语言检索能提高响应一致性并减少地缘政治偏见。
2025-06-22 cs.CL
Financial Report Chunking for Effective Retrieval Augmented Generation
Unstructured Technologies（非结构化技术公司）
针对现有RAG分块忽视文档结构的问题，提出基于文档结构元素类型的分块框架，无需调参即可提升财务报告检索增强生成的准确性与问答性能。
2024-03-16 cs.CL
