Fast or Better? Balancing Accuracy and Cost in Retrieval-Augmented Generation with Flexible User Control
Cornell University(康奈尔大学);Adobe Research(Adobe研究);Mohamed bin Zayed University of Artificial Intelligence(Mohamed bin Zayed人工智能大学)
针对RAG中检索成本与准确性难以按用户需求调节的问题,提出由准确性和效率两个分类器及参数$α$控制的用户可控框架,实现二者的动态平衡。
2025-07-27 cs.AI 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
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
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
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
RAVEN: Multitask Retrieval Augmented Vision-Language Learning
Princeton University(普林斯顿大学);AWS AI Labs(AWS人工智能实验室);Apple(苹果公司)
本文提出多任务检索增强VLM框架RAVEN,通过高效任务特定微调整合检索样本,无需额外参数即提升图像描述和VQA性能。
2024-06-27 cs.AI cs.CV cs.IR
PIR-RAG: A System for Private Information Retrieval in Retrieval-Augmented Generation
University of Washington(华盛顿大学);University of Central Florida(中央佛罗里达大学)
针对RAG中用户查询暴露的隐私风险,提出PIR-RAG系统,采用粗粒度语义聚类剪枝搜索空间与基于格的PIR协议,实现高效私密检索,并在端到端延迟上优于现有基线。
2025-09-01 cs.AI cs.CR cs.IR
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
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
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
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
EHR-RAG: Bridging Long-Horizon Structured Electronic Health Records and Large Language Models via Enhanced Retrieval-Augmented Generation
University of Illinois Urbana-Champaign, United States(伊利诺伊大学厄巴纳-香槟分校);Yale University, United States(耶鲁大学)
EHR-RAG通过增强检索增强生成方法,提升长期结构电子健康记录在临床预测中的表现,实现宏F1平均提升10.76%。
2026-01-29 cs.AI
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
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
Deepchecks: Evaluating Retrieval-Augmented Generation (RAG)
Deepchecks, Ramat Gan, Israel(深检查,以色列拉马特甘);Ben-Gurion University, Beer Sheva, Israel(本· Gurion大学,以色列贝尔谢巴)
本文提出Deepchecks框架,用于评估RAG系统,通过多维方法和根本原因分析,提升系统可靠性、相关性和用户满意度。
2026-05-14 cs.AI
ISO-RAG: Isoperimetric Noise Control for Retrieval-Augmented Generation
University of Technology Sydney(悉尼科技大学);University of New South Wales(新南威尔士大学)
针对传统RAG在多跳问答中存在的语义漂移与延迟问题,提出几何感知的ISO-RAG框架,通过双曲庞加莱球投影与拓扑纯化优化检索,在多跳QA基准上实现准确率与效率的双重提升。
2026-09-02 cs.AI
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
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
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
CricRAG: Retrieval Augmented Vision-Language Models for Personalized Cricket Coaching
IISER Bhopal(博帕尔印度科学教育与研究院);IIT Jodhpur(焦特布尔印度理工学院)
CricRAG通过检索相似但更优的技术作为参考,使视觉语言模型提供符合技能水平的个性化板球教练反馈,实现了94%的专业评估一致性。
2026-09-23 cs.AI cs.CV
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
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
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
RAG-Verus: Repository-Level Program Verification with LLMs using Retrieval Augmented Generation
University of Toronto(多伦多大学)
针对现有函数中心方法忽略的跨模块依赖与全局上下文挑战,提出RagVerus框架,结合检索增强生成与上下文感知提示实现多模块仓库自动证明合成,在新RepoVBench基准获27%相对提升,受限预算下将现有基准证明通过率提高三倍。
2025-02-07 cs.AI cs.SE
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
Adversarial Threat Vectors and Risk Mitigation for Retrieval-Augmented Generation Systems
Fire Mountain Labs
本文分析了检索增强生成(RAG)系统面临的提示注入、数据投毒和对抗性查询操纵等主要对抗威胁,并从风险管理视角提出了包含输入验证、对抗训练和实时监控的优先控制列表以缓解风险。
2025-05-30 cs.AI cs.CR
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
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
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
Private Retrieval Augmented Generation via Random Projection
University of Chicago(芝加哥大学)
本文针对RAG系统的数据存储库隐私风险,提出基于随机投影的轻量方法,在保留语义相似性的同时缓解数据提取攻击,性能优于差分隐私方法,可作为隐私保护RAG的实用基线。
2026-10-16 cs.AI cs.CR
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
MultiHedge: Adaptive Coordination via Retrieval-Augmented Control
The Faculty of Electronics and Information Technology(电子与信息技术学院)
本文提出MultiHedge框架,通过检索增强的LLM协调提升模块化决策系统的鲁棒性,实验表明记忆增强比单纯扩大模型规模更有效。
2026-04-27 cs.AI cs.MA
Remote Sensing Retrieval-Augmented Generation: Bridging Remote Sensing Imagery and Comprehensive Knowledge with a Multi-Modal Dataset and Retrieval-Augmented Generation Model
School of Cyber Science and Technology, University of Science and Technology of China(信息科学技术学院,中国科学技术大学);China Academy of Electronics and Information Technology(电子信息技术研究院)
本文提出RS-RAG框架,通过多模态数据集和检索增强生成模型,提升遥感图像与综合知识的连接能力,有效提升复杂查询的语义推理性能。
2026-02-12 cs.AI cs.CV
Similarity is Not All You Need: Endowing Retrieval Augmented Generation with Multi Layered Thoughts
Ant Group(蚂蚁集团)
针对检索增强生成中过度依赖相似性导致性能下降的问题,提出MetRag框架,通过结合相似性与效用导向思想并利用LLM作为任务自适应摘要器提供紧凑性思想,显著提升了知识密集型任务的性能。
2024-05-30 cs.AI cs.CL cs.LG
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
A Statistical Framework for Data-dependent Retrieval-Augmented Models
Google(谷歌公司)
本文提出了一个统计框架来研究包含检索器和预测器的数据依赖检索增强模型,提供了端到端训练方法并建立了超额风险界限,在开放域问答任务上验证了其有效性和统计分析结论。
2024-08-27 cs.AI cs.CL cs.LG
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
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
WavRAG: Audio-Integrated Retrieval Augmented Generation for Spoken Dialogue Models
Zhejiang University(浙江大学);Alibaba Group(阿里巴巴集团);Beijing University of Technology(北京工业大学)
本文提出端到端原生音频RAG框架WavRAG,通过WavRetriever直接检索原始音频并统一文本-音频知识,在性能相当的情况下较ASR-Text流程提速10倍。
2025-02-20 cs.AI cs.SD eess.AS
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
High-Dimensional Concentration and Retrieval Instability in Embedding Spaces: Implications for Retrieval-Augmented Generation
研究高维嵌入空间中距离和余弦浓度的现象,通过数值实验揭示其对最近邻检索稳定性的影响,并表明这些效应可能削弱检索增强生成中的基础可靠性。
2026-05-19 cs.AI cs.IR
StratRAG: A Multi-Hop Retrieval Evaluation Dataset for Retrieval-Augmented Generation Systems
Department of Computer Science(计算机科学系);California State University, Fresno(加州州立大学,弗雷斯诺分校)
本文提出StratRAG数据集,用于评估检索增强生成系统在多跳推理任务中的表现,通过三种检索策略对比,发现混合检索效果最佳,但桥接问题仍较难。
2026-03-06 cs.AI cs.IR
Query-Aware Graph Neural Networks for Enhanced Retrieval-Augmented Generation
NVIDIA(英伟达)
提出一种查询感知图神经网络,通过构建知识图谱和查询引导池化提升多跳问答的检索准确性,实验优于密集检索器。
2025-07-25 cs.AI cs.IR
Enhancing Scientific Literature Chatbots with Retrieval-Augmented Generation: A Performance Evaluation of Vector and Graph-Based Systems
本文通过对比向量和图基检索系统,评估了检索增强生成在提升科学文献聊天机器人性能中的效果,展示了混合系统在提高科学知识可及性方面的潜力。
2026-02-19 cs.AI cs.IR
A Systems-Level Analysis of Sensitivity, Robustness, and Stability in Retrieval-Augmented Generation
通过56次实验控制研究,分析分块大小、检索深度、重排序和噪声对RAG系统的影响,发现检索指标在宽设置下提升但下游准确率非单调变化,建议评估需包含多阶段故障分析。
2026-05-29 cs.AI cs.IR
IRSC: A Zero-shot Evaluation Benchmark for Information Retrieval through Semantic Comprehension in Retrieval-Augmented Generation Scenarios
PengCheng Laboratory(鹏城实验室);Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Southern University of Science and Technology(南方科技大学)
本文提出IRSC基准,通过引入SSCI和RCCI新指标评估多语言RAG场景下嵌入模型的检索性能,揭示了其跨语言局限性,促进了准确检索系统的发展。
2024-09-26 cs.AI cs.IR
HeteRAG: A Heterogeneous Retrieval-augmented Generation Framework with Decoupled Knowledge Representations
Tsinghua University(清华大学);Xinjiang University(新疆大学);Beijing University of Posts and Telecommunications(北京邮电大学);JD Health International Inc.(京东健康国际公司)
针对现有RAG方法检索与生成知识块表示相同导致性能欠佳的问题,提出HeteRAG异构框架,解耦知识块的检索与生成表示,结合自适应提示调优,显著提升LLMs的有效性与效率。
2025-04-12 cs.AI cs.IR