DuetRAG: Collaborative Retrieval-Augmented Generation
Zhejiang University（浙江大学）
针对复杂领域问题中RAG检索不相关导致生成质量低的问题，提出DuetRAG框架，通过同时整合领域微调和RAG模型提升检索质量，并在HotPot QA上达到专家水平。
2024-05-12 cs.AI 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
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
A Survey of Multimodal Retrieval-Augmented Generation
Huawei Cloud BU（华为云业务部）
本综述聚焦多模态检索增强生成（MRAG），其扩展纯文本RAG框架整合多模态数据以增强LLMs，减少幻觉并提升问答系统性能，还总结其组件、数据集等，指出挑战与未来方向。
2025-03-26 cs.AI cs.CL cs.ET
Parallel Context-of-Experts Decoding for Retrieval Augmented Generation
SAP Labs, France（法国SAP实验室）；EURECOM, France（法国EURECOM）
并行专家上下文解码通过检索感知对比解码规则，实现检索增强生成中跨文档推理能力的恢复，无需训练。
2026-01-13 cs.AI cs.CL
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
Stateful Evidence-Driven Retrieval-Augmented Generation with Iterative Reasoning
本文提出一种具有迭代推理的有状态证据驱动检索增强生成框架，通过逐步积累证据提升问答稳定性与鲁棒性，在多个基准测试中表现出色。
2026-03-25 cs.AI cs.CL
Retrieval Augmented Thought Process for Private Data Handling in Healthcare
University of Cambridge（剑桥大学）
本文提出检索增强思维过程（RATP），将LLM思维生成建模为多步决策过程，结合蒙特卡洛树搜索与代理奖励函数，在私有电子病历问答任务上相比上下文检索增强生成提升35%准确率。
2024-08-07 cs.AI cs.CL cs.IR
Abductive Inference in Retrieval-Augmented Language Models: Generating and Validating Missing Premises
Independent Researcher, Mountain View, CA94039, USA（独立研究者）
本文提出将溯因推理集成到检索增强语言模型中，通过检测证据不足、生成并验证缺失前提，在多个基准上提升了答案准确性与推理忠实度。
2025-11-06 cs.AI cs.CL
Predictive Prefetching for Retrieval-Augmented Generation
Department of Computer Science, University of Massachusetts Boston（马萨诸塞大学波士顿分校计算机科学系）
本文提出了一种先进的异步检索框架，通过预测检索触发时机和所需信息，以减少延迟并提高生成效率，同时保持回答质量。
2026-05-18 cs.AI cs.CL
Beyond the Parameters: A Technical Survey of Contextual Enrichment in Large Language Models: From In-Context Prompting to Causal Retrieval-Augmented Generation
本文综述了大型语言模型中通过增加结构化上下文来提升性能的技术，涵盖上下文学习、提示工程、检索增强生成等方法，并提出透明的文献筛选协议和可信检索增强NLP的研究优先级。
2026-04-03 cs.AI cs.CL
Retrieval-Augmented Generation with Hierarchical Knowledge
CSE, The Chinese University of Hong Kong（计算机科学与工程系，香港中文大学）
本文提出HiRAG，一种利用层级知识增强检索增强生成系统在索引与检索中语义理解和结构捕获能力的新方法，实验证明其性能显著优于现有最先进基线。
2025-09-26 cs.AI cs.CL
Exploring Retrieval Augmented Generation in Arabic
Newgiza University（新吉萨大学）
针对阿拉伯语RAG应用研究不足的问题，本文通过全面案例研究探索检索阶段的多种语义嵌入模型与生成阶段的若干LLM，还涉及方言差异问题，证实现有模型可有效构建阿拉伯语RAG流水线。
2024-08-14 cs.AI cs.CL
MedBioRAG: Semantic Search and Retrieval-Augmented Generation with Large Language Models for Medical and Biological QA
Seonok Kim（独立研究者）
MedBioRAG通过结合语义搜索、文档检索和监督微调，提升医学和生物学问答任务的性能。
2025-12-10 cs.AI cs.CL
Unraveling and Mitigating Retriever Inconsistencies in Retrieval-Augmented Large Language Models
Harbin Institute of Technology（哈尔滨工业大学）；XVERSE Technology Inc.（XVERSE科技公司）
本文揭示了检索增强型大语言模型中存在的检索器不一致性问题，通过理论分析退化行为成因，提出了可训练的检索器集成框架EoR，自适应检索多知识源以减少阅读器错误，显著提升了开放域问答性能。
2025-03-06 cs.AI cs.CL
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
MRAG: Benchmarking Retrieval-Augmented Generation for Bio-medicine
DataSelect AI；University of Hong Kong（香港大学）
MRAG基准测试通过构建医学领域语料库和工具包，评估RAG在生物医学任务中的有效性，揭示RAG在提升LLM可靠性及性能影响因素方面的贡献。
2026-02-11 cs.AI cs.CL
ORPHEAS: A Cross-Lingual Greek-English Embedding Model for Retrieval-Augmented Generation
Novelcore
本文提出ORPHEAS模型，专门用于希腊-英语双语检索增强生成，通过知识图谱细调方法生成高质量数据集，提升希腊语领域术语和形态复杂性表达能力，实验表明其在单语和跨语言检索基准上优于现有多语言嵌入模型。
2026-04-22 cs.AI cs.CL
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
E2E-AFG: An End-to-End Model with Adaptive Filtering for Retrieval-Augmented Generation
Advanced Institute of Information Technology, Peking University（北京大学信息技术高等研究院）
本文提出端到端自适应过滤模型E2E-AFG，将答案存在性判断与文本生成统一到同一框架中，以降低检索不相关信息的影响，并在六个知识密集型数据集上验证了其优于基线模型的效果。
2025-05-08 cs.AI cs.CL
Understanding Retrieval-Augmented Task Adaptation for Vision-Language Models
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文系统研究了检索增强适应中单模态与跨模态检索的作用，揭示logit集成的关键性，并给出理论支撑，为视觉-语言模型在低数据场景下的适应提供新见解。
2024-05-02 cs.AI cs.CV cs.LG
Removal of Hallucination on Hallucination: Debate-Augmented RAG
The Hong Kong Polytechnic University（香港理工大学）；Sichuan University（四川大学）
针对RAG中错误检索导致幻觉叠加的问题，提出辩论增强型RAG（DRAG），通过多智能体辩论优化检索与生成，提升事实准确性并减少幻觉。
2025-05-24 cs.AI cs.CL
Improving Context Fidelity via Native Retrieval-Augmented Reasoning
DIRO, Université de Montréal（蒙特利尔大学计算机科学与运筹学系）；MetaGPT；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；McGill University（麦吉尔大学）；Yale University（耶鲁大学）；Canada CIFAR AI Chair（加拿大CIFAR人工智能教席）
提出原生检索增强推理框架CARE，通过模型自身检索能力在推理链中显式整合上下文证据，显著提升了LLMs的上下文保真度及知识密集型任务的准确性。
2025-09-17 cs.AI cs.CL
LERA: LLM-Enhanced RAG for Ad Auction in Generative Chatbots
Peking University（北京大学）；Alibaba Group（阿里巴巴集团）；Shandong University（山东大学）
LERA提出一种两阶段检索生成拍卖框架，通过嵌入粗过滤和LLM提示生成优化广告相关性评分，提升广告选择准确性和多样性。
2026-05-15 cs.AI cs.IR
Knowledge Graph-Guided Retrieval Augmented Generation
State Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）；Alibaba Group（阿里巴巴集团）
针对现有RAG方法检索孤立块忽略内在关系的问题，提出KG²RAG框架，利用知识图谱提供块间事实关系，经块扩展与组织提升检索结果多样性和连贯性，在HotpotQA数据集上实验证明其响应和检索质量更优。
2025-02-08 cs.AI cs.CL
Retrieval-Augmented LLM Agents: Learning to Learn from Experience
NAVER LABS Europe（NAVER实验室欧洲）
本文提出结合微调与经验检索的方法，通过LoRA优化SFT流程，分析经验检索关键设计，提出整合经验检索的训练流程，提升代理对新任务的泛化能力。
2026-09-01 cs.AI cs.CL
Retrieval-Augmented VLMs for Multimodal Melanoma Diagnosis
Handong Global University（-handong全球大学）
针对黑色素瘤诊断中VLM缺乏临床特异性的问题，提出检索增强VLM框架，通过纳入相似病例提示实现无需微调的准确分类与错误纠正，显著优于传统基线。
2025-09-10 cs.AI cs.CV cs.LG
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
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
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
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
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
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
LLM-Augmented Retrieval: Enhancing Retrieval Models Through Language Models and Doc-Level Embedding
Meta
本文提出模型无关的LLM增强文档级嵌入框架，并改进负采样与损失函数等训练组件，显著提升Contriever、DRAGON和ColBERTv2等检索器，在LoTTE与BEIR上达到SOTA。
2024-04-08 cs.AI cs.IR
GraphER: An Efficient Graph-Based Enrichment and Reranking Method for Retrieval-Augmented Generation
Oracle AI
GraphER通过利用数据组织结构捕捉超越语义相似性的接近关系，构建查询时的图结构并应用图排序技术，提升检索完整性，无需额外图基础设施，兼容标准向量存储。
2026-08-04 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
Hybrid-RACA: Hybrid Retrieval-Augmented Composition Assistance for Real-time Text Prediction
Microsoft（微软）
本文提出Hybrid-RACA系统，通过检索增强记忆结合云端大模型与客户端小模型，并采用异步记忆更新机制，在五个数据集上实现了低延迟的高性能实时文本预测。
2024-10-12 cs.AI cs.CL cs.DC
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
Unveiling the Magic: Investigating Attention Distillation in Retrieval-augmented Generation
University of California, Davis（加州大学戴维斯分校）
本文探究检索增强生成中注意力蒸馏的成功机制，全面审查其工作流程并识别影响模型学习质量的关键因素，提出了优化训练方法及避免无效训练的指标。
2024-02-19 cs.CL cs.IR
The Good and The Bad: Exploring Privacy Issues in Retrieval-Augmented Generation (RAG)
Michigan State University（密歇根州立大学）；Jilin University（吉林大学）；Baidu, Inc.（百度公司）
本文通过新型攻击实证评估RAG隐私，发现其会泄露私有检索库，但同时可缓解LLM训练数据泄露，并为检索增强LLM隐私保护提供见解。
2024-02-23 cs.AI cs.CL cs.CR
A Comprehensive Survey of Retrieval-Augmented Generation (RAG): Evolution, Current Landscape and Future Directions
Carnegie Mellon University（卡内基梅隆大学）；BIT Sindri（辛德里贝拉理工学院）
本文全面综述了检索增强生成（RAG）的演进、架构、技术进展与应用，探讨了现有挑战并提出了未来方向，为理解RAG在NLP领域的潜力提供基础资源。
2024-10-03 cs.AI cs.CL cs.IR
PersianRAG: A Retrieval-Augmented Generation System for Persian Language
University of Isfahan（伊斯法罕大学）；ADAPT Research Centre（ADAPT研究中心）；Dublin City University（都柏林城市大学）
本文提出PersianRAG，一个面向波斯语的检索增强生成系统，通过解决预处理、嵌入、检索等挑战，在多个基准数据集上提升了波斯语问答性能。
2024-11-06 cs.AI cs.CL cs.IR
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
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
To Retrieve or Not to Retrieve? Uncertainty Detection for Dynamic Retrieval Augmented Generation
Emory University（埃默里大学）
针对确定性检索不适用于长问答的问题，研究探索多种不确定性检测方法以实现动态检索增强生成，发现相关指标可在问答准确率仅略有下降的情况下将检索调用次数减少近一半，提升了检索效率。
2025-03-18 cs.AI cs.CL cs.IR
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
Formal Language Knowledge Corpus for Retrieval Augmented Generation
The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
本研究探索使用Lean语言填充RAG系统的知识语料库，以改善LLMs在生成与评估数学证明等高级逻辑推理任务中的表现。
2024-12-21 cs.AI
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
MMRAG-RFT: Two-stage Reinforcement Fine-tuning for Explainable Multi-modal Retrieval-augmented Generation
MMRAG-RFT通过两阶段强化微调提升多模态检索增强生成的可解释性，实现更清晰的推理逻辑和更优的生成效果。
2025-12-19 cs.AI
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
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
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
