Empirical Evaluation of PDF Parsing and Chunking for Financial Question Answering with RAG
University of Luxembourg（卢森堡大学）；BNP Paribas（巴黎银行）；BGL
本文通过金融领域基准测试，系统评估了多种PDF解析和分块策略对RAG系统在PDF理解中的性能影响，为构建鲁棒的RAG流程提供实践指导。
2026-04-13 cs.CL cs.IR
Multi-Document Financial Question Answering using LLMs
Anvai AI（安维人工智能）
提出两种多文档金融问答方法RAG_SEM和KG_RAG，通过语义标注与知识图谱检索上下文，实验证明两者均显著优于普通RAG。
2024-11-08 cs.CL cs.IR
Tabular Embedding Model (TEM): Finetuning Embedding Models For Tabular RAG Applications
Synergia
本文提出表格嵌入模型TEM，通过微调嵌入模型优化表格RAG工作流，以更小更高效的模型结构超越现有SOTA嵌入模型在表格数据分析中的表现。
2024-04-28 cs.AI cs.CL cs.IR
CLAPNQ: Cohesive Long-form Answers from Passages in Natural Questions for RAG systems
IBM Research AI（IBM研究院人工智能部门）
提出了ClapNQ，一个用于完整RAG流水线的基准长文本问答数据集，包含来自NQ的简洁连贯长答案及语料库，并通过基线实验揭示了基础RAG系统仍有显著改进空间。
2024-12-23 cs.CL
RAG based Question-Answering for Contextual Response Prediction System
The Home Depot（家得宝）；The Pennsylvania State University（宾夕法尼亚州立大学）
本文提出端到端 RAG-LLM 框架，结合检索知识与聊天历史为零售客服生成建议，自动化与人工评估均显示其优于现有基于 BERT 的方法。
2024-09-06 cs.CL cs.IR
Bridging Static and Agentic RAG for Taiwanese Historical Question Answering
National Taiwan University（国立台湾大学）
本文通过受控比较发现，智能体与静态RAG在台湾历史问答中总体性能相近但问题级差异显著，并引入事后选择器利用互补性，恢复神谕提升空间的60.34%。
2026-11-03 cs.AI cs.CL cs.IR
CiteGuard-RAG: A Validation-Centered AI System for Evidence-Grounded Question Answering
Western Michigan University（西密歇根大学）
CiteGuard-RAG提出以验证为中心的RAG系统，集成混合检索、引用约束生成和句子级验证，在400题评估中实现99.1%检索准确率，证明显式验证对可信答案的关键作用。
2026-09-15 cs.AI cs.CL cs.IR
Knowing When Not to Answer: Lightweight KB-Aligned OOD Detection for Safe RAG
New York University（纽约大学）；National Institute on Drug Abuse（国家成瘾医学研究所）；University of Pennsylvania（宾夕法尼亚大学）；Microsoft（微软公司）
研究用于检索增强生成（RAG）系统的轻量级、知识库对齐的域外检测，通过PCA处理知识库嵌入，用方差保留或t检验排序选择子空间评分查询，评估规则和分类器，发现低维检测器性能好且更优。
2026-07-07 cs.CL cs.IR
DS@GT ARC at LongEval: Citation Integrity and Factual Grounding in Scientific QA
Georgia Institute of Technology（佐治亚理工学院）
研究在科学问答中传统评估指标与引用完整性的差异，通过Corrective RAG和CiteFix构建纠正管道，对比前沿模型，发现前沿模型答案生成不依赖文档上下文，而纠正管道提升了引用忠实度和答案基础，提出需奖励严格答案基础的评估指标。
2026-07-17 cs.CL cs.IR
Typed-RAG: Type-Aware Decomposition of Non-Factoid Questions for Retrieval-Augmented Generation
本文提出Typed-RAG框架，通过将非事实型问题分类为预定义类型并分解为单方面子查询，提升检索相关性与答案质量，并构建Wiki-NFQA基准数据集验证其优于现有方法。
2025-07-22 cs.CL cs.IR
In Defense of RAG in the Era of Long-Context Language Models
NVIDIA（英伟达）
本文针对长上下文LLM中相关信息关注度下降的问题，提出保序检索增强生成机制OP-RAG，通过倒U形曲线上的最佳点以更少token实现更优答案质量。
2024-09-03 cs.CL
Assessing the Downstream Utility of Evidence-Aware Retrieval in RAG
Missouri University of Science and Technology（密苏里科技大学）；University of Calcutta（加尔各答大学）
本研究在多基准及TREC RAG 2025设置中，考察证据感知检索的下游效用，发现其价值不统一，需针对特定用途评估RAG评估方法。
2026-08-28 cs.CL cs.IR
URAG: Implementing a Unified Hybrid RAG for Precise Answers in University Admission Chatbots -- A Case Study at HCMUT
Ho Chi Minh City University of Technology (HCMUT)（胡志明市技术大学（HCMUT））；Vietnam National University Ho Chi Minh City（越南国家大学胡志明市分校）
本文提出统一混合 RAG（URAG）框架，通过整合特定数据提升大学招生聊天机器人的回答准确性，使轻量级模型媲美商业模型，并在 HCMUT 案例中验证了其有效性与实际部署可行性。
2025-01-27 cs.CL cs.IR
MAO-ARAG: Multi-Agent Orchestration for Adaptive Retrieval-Augmented Generation
Renmin University of China（中国人民大学）；Baidu Inc.（百度公司）
针对固定RAG流水线难以平衡性能与成本的问题，提出MAO-ARAG多智能体编排框架，通过规划智能体动态选择执行智能体并强化学习优化，实现高质量低成本的问答。
2025-08-01 cs.CL cs.IR
EviNote-RAG: Enhancing RAG Models via Answer-Supportive Evidence Notes
Tsinghua University（清华大学）；Zhejiang University（浙江大学）；Ant Group（蚂蚁集团）；Massachusetts Institute of Technology（麻省理工学院）；UC Berkeley（加州大学伯克利分校）；The University of Hong Kong（香港大学）；National University of Singapore（新加坡国立大学）
EviNote-RAG通过生成支持性证据笔记和基于蕴含的质量奖励，解决RAG中低信噪比和错误累积问题，在多个问答基准上显著提升性能。
2025-10-16 cs.CL
Same Question, Different Source, Different Answer: Auditing Source-Dependence in Medical Multi-Source RAG
Carnegie Mellon University（卡内基梅隆大学）
本文提出来源依赖性作为NLP评估缺失的维度，通过构建移植患者教育基准TransplantQA、分层检索策略HERO-QA和结构化输出评判器，审计多源RAG系统中同一问题因检索来源不同而给出不同答案的失败模式。
2026-05-27 cs.AI cs.CL cs.IR
How Fine-Grained Should a RAG Benchmark Be? A Hierarchical Framework for Synthetic Question Generation
Department of Computer Science, Emory University（埃默里大学计算机科学系）
提出HieraRAG层次化框架，通过合成问题生成研究RAG基准测试的细粒度，发现最优粒度因维度而异，并引入一致性比率度量。
2026-06-12 cs.CL cs.IR
A Matryoshka Hierarchical RAG for Efficient Multi-Hop Question Answering
Polytechnic University of Marche（马尔凯理工大学）；University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）
MatRAG提出结合俄罗斯套娃表示学习的层次化检索框架，通过有向无环图组织文档簇并利用维度感知相似性，在降低索引和查询成本的同时提升多跳问答检索质量。
2026-10-02 cs.CL cs.IR
A Graph-based RAG for Energy Efficiency Question Answering
Politecnico di Milano, DEIB Department（米兰Politecnico大学DEIB部门）；Voltiva Energy（Voltiva能源公司）
本研究提出一种基于图的RAG架构，利用LLMs从能源文档提取知识图谱并进行多语言问答，人工验证显示其准确率达75.2%，证实了该架构在能效问答中的潜力。
2025-11-03 cs.AI cs.CL cs.IR
Attributable Post-Rationalization in RAG Citations: A Controlled Reproduction and an RLVR Comparison
Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）
本研究通过受控复现和RLVR比较，发现RAG系统普遍存在事后合理化导致的不忠实引用，且RLVR训练无法改善引用忠实性，需单独训练和评估。
2026-09-22 cs.CL cs.IR
Improving Retrieval-Augmented Generation through Multi-Agent Reinforcement Learning
Renmin University of China（中国人民大学）；Baidu Inc.（百度公司）；Carnegie Mellon University（卡内基梅隆大学）
针对RAG组件独立优化导致目标错位的问题，提出多智能体强化学习算法MMOA-RAG，将各组件视为协作智能体并统一优化最终答案的F1分数，在多个问答基准上优于现有基线。
2025-10-07 cs.CL cs.IR
Evaluation of RAG Metrics for Question Answering in the Telecom Domain
Ericsson R&D（爱立信研发中心）
本研究评估了RAGAS指标在电信领域问答中的适用性，通过修改RAGAS包获取中间输出，分析了正确与错误检索及不同嵌入下的指标表现，指出了其挑战与适用性。
2024-07-15 cs.AI cs.CL cs.IR
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
SproutRAG: Attention-Guided Tree Search with Progressive Embeddings for Long-Document RAG
University of British Columbia（不列颠哥伦比亚大学）；ServiceNow Research（ServiceNow研究院）
提出SproutRAG，通过注意力引导构建句子级分块树，实现多粒度检索，无需额外LLM调用，平均信息效率提升6.1%。
2026-06-18 cs.CL cs.IR
W-RAG: Weakly Supervised Dense Retrieval in RAG for Open-domain Question Answering
Santa Clara University（圣克拉拉大学）；Meta AI
本文提出W-RAG方法，通过从LLM下游任务提取弱监督信号微调稠密检索器，利用BM25检索和LLM生成概率重排序段落，显著提升了开放域问答的检索与生成性能。
2025-04-25 cs.AI cs.CL cs.IR
Improving the Domain Adaptation of Retrieval Augmented Generation (RAG) Models for Open Domain Question Answering
The University of Auckland（奥克兰大学）；National University of Singapore（新加坡国立大学）；University of Southern Queensland（南昆士兰大学）
针对现有RAG模型仅适配维基百科知识库、难以应用于专业领域的问题，提出可联合训练检索器与生成器、引入辅助训练信号的RAG-end2end模型，在三个领域数据集上取得显著性能提升并已开源。
2022-10-06 cs.AI cs.CL cs.IR
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
Confident RAG: Enhancing the Performance of LLMs for Mathematics Question Answering through Multi-Embedding and Confidence Scoring
Faculty of Education, The University of Hong Kong（香港大学教育学院）；Department of Civil and Environmental Engineering, The Hong Kong University of Science and Technology（香港科学与技术大学土木与环境工程系）
Confident RAG通过多嵌入和置信度评分提升LLM在数学问题回答中的性能，实验表明其在准确率上比普通LLMs和RAG分别提升10%和5%。
2025-11-30 cs.AI cs.CL
GETALP@AutoMin 2025: Leveraging RAG to Answer Questions based on Meeting Transcripts
Univ. Grenoble Alpes, CNRS, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学、国家科学研究中心、格勒诺布尔理工大学、LIG实验室）
本研究为SIGDial 2025自动会议纪要共享任务B提出三种结合RAG与AMR的会议转录问答系统，证实AMR可提升约35%问题的回答质量，且在区分参会者的问题上效果显著。
2025-08-01 cs.CL
THELMA: Task Based Holistic Evaluation of Large Language Model Applications-RAG Question Answering
Amazon.com Services Inc.（亚马逊公司）
本文提出无参考评估框架THELMA，通过六个相互依赖的指标对RAG问答应用进行整体细粒度评估，并利用指标间关系定位需改进的RAG组件。
2025-06-03 cs.AI cs.CL
GeoRisk-RAG: A Hierarchy-Aware Risk Framework for Improving RAG Reliability through Selective Answering
Virginia Tech（弗吉尼亚理工大学）；Florida Polytechnic University（佛罗里达理工大学）；Kuwait University（科威特大学）
GeoRisk-RAG是一种层级感知框架，通过选择性回答结合有向无环图距离估计地理适用性，在野火QA数据集上将位置相关问题错误置信率降至0.009，提升RAG可靠性，助力地理空间领域安全决策。
2026-08-25 cs.AI cs.CL
NeSy-RAG: Neuro-Symbolic RAG for Explainable Question Answering
Heidelberg University（海德堡大学）
NeSy-RAG是一种模块化神经符号RAG框架，可生成透明推理轨迹，在ShARC基准上以61.1%的准确率优于同模型RAG基线，实现可解释问答。
2026-08-07 cs.CL cs.SC
BYOKG-RAG: Multi-Strategy Graph Retrieval for Knowledge Graph Question Answering
Amazon（亚马逊）
BYOKG-RAG通过LLM生成图构件并结合多种图检索工具迭代优化，在五个基准上比次优方法高4.5个百分点，提升自定义知识图谱问答的泛化性与鲁棒性。
2025-07-05 cs.CL
Reading Between the Timelines: RAG for Answering Diachronic Questions
Hong Kong University of Science and Technology（香港科技大学）；China Unicom (Hong Kong) Operation Ltd（中国移动（香港）运营有限公司）
针对传统RAG难以处理跨时间纵向查询的问题，研究提出融入时间逻辑的RAG新框架，拆解查询主题与时间窗口并校准检索的语义与时间相关性，同时发布ADQAB基准，实验显示其准确率较标准RAG提升13%-27%。
2025-07-21 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
SURE-RAG: Sufficiency and Uncertainty-Aware Evidence Verification for Selective Retrieval-Augmented Generation
ZenWeave AI；Georgetown University（乔治城大学）；Southern Methodist University（南卫理公会大学）
研究选择性检索增强生成的证据充分性验证问题，提出SURE-RAG聚合协议，通过共享验证器生成局部关系分布并聚合为特征块，产生三向决策和可审计分数，实验表明其性能优于多种方法，还对比了与GPT-4o在不同任务上的表现。
2026-07-27 cs.CL cs.IR cs.LG
RAG-IGBench: Innovative Evaluation for RAG-based Interleaved Generation in Open-domain Question Answering
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（认知智能国家重点实验室，中国科学技术大学）；Xiaohongshu Inc.（小红书公司）；Xi’an Jiaotong University（西安交通大学）
RAG-IGBench通过创新的评估指标和多模态数据，评估基于检索增强生成的交错生成任务，验证了模型在开放领域问答中的性能提升。
2025-10-11 cs.AI cs.CL cs.IR
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
Bridging Language Gaps with Adaptive RAG: Improving Indonesian Language Question Answering
Computer Science Department（计算机科学系）；School of Computer Science（计算机科学学院）；Bina Nusantara University（宾厄斯大学）
本研究将自适应RAG系统应用于印度尼西亚语问答，通过机器翻译增强数据，利用复杂度分类器选择回答策略，实验发现多检索策略存在不一致性，揭示了低资源语言问答的潜力与挑战。
2025-10-24 cs.AI cs.CL
Assessment of RAG and Fine-Tuning for Industrial Question-Answering-Applications
BMW Group（宝马集团）
本文通过汽车行业封闭数据集评估RAG和微调在问答系统中的效果，发现RAG在质量和成本效率上优于微调，尤其适用于开源模型。
2026-05-10 cs.AI cs.CL
Augmenting Question Answering with A Hybrid RAG Approach
Plastic Lab（塑料实验室）；Google（谷歌）；Florida International University（佛罗里达国际大学）；Rensselaer Polytechnic Institute（伦塞拉尔理工学院）
本文提出SSRAG方法，通过混合查询增强、代理路由和结构化检索技术，提升问答任务的响应质量。
2026-01-25 cs.AI 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
FARSIQA: Faithful and Advanced RAG System for Islamic Question Answering
Sharif University of Technology（谢里夫理工大学）；Iran University of Science and Technology（伊朗科技大学）
针对波斯语伊斯兰问答领域现有RAG系统应对复杂多跳查询能力不足、易产生幻觉的问题，研究团队提出基于FAIR-RAG迭代自适应架构的FARSIQA系统，在IslamicPCQA基准上取得了当前最优性能，为敏感领域的忠实可靠AI系统构建提供了有效方案。
2025-10-29 cs.AI cs.CL cs.IR
MUST-RAG: MUSical Text Question Answering with Retrieval Augmented Generation
Graduate School of Culture Technology, KAIST, South Korea（文化科技研究生院，韩国釜山科学技术院）
MUST-RAG通过引入音乐专用数据库和检索增强生成技术，提升通用语言模型在音乐问答任务中的表现。
2025-12-08 cs.AI cs.CL cs.IR
Rent-a-RAG: Embedding-Space Watermarks for Auditing Third-Party RAG
IMDEA Networks Institute（IMDEA网络研究所）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；Singapore Management University（新加坡管理大学）
针对第三方RAG市场的文档复用审计难题，提出DirBucket嵌入空间水印框架，可在黑盒访问下准确检测不合规复用，且具备抗攻击性与跨基准迁移性。
2026-09-04 cs.CL cs.CR
Contextually Aware E-Commerce Product Question Answering using RAG
Flipkart US R\&D Center Bellevue Washington USA；Flipkart US R\&D Center
提出一种基于RAG的上下文感知电子商务产品问答框架，整合对话历史、用户画像和产品属性，处理多类型查询并识别信息缺口，引入新评估指标。
2025-08-04 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
MetaGen Blended RAG: Unlocking Zero-Shot Precision for Specialized Domain Question-Answering
IBM
针对企业专业领域RAG零样本精度低的问题，提出MetaGen Blended RAG，通过元数据生成与混合查询索引增强检索，在PubMedQA上超越现有零样本基准并媲美微调模型。
2025-08-05 cs.AI cs.CL cs.IR
MultiHop-RAG: Benchmarking Retrieval-Augmented Generation for Multi-Hop Queries
Hong Kong University of Science and Technology（香港科技大学）
针对现有RAG系统处理多跳查询能力不足且缺乏专用基准的问题，研究者构建了包含知识库、多跳查询及对应答案与证据的MultiHop-RAG数据集，实验验证了现有方法的不足并为相关研究提供资源。
2024-01-27 cs.CL
Legal RAG Bench: an end-to-end benchmark for legal RAG
Legal RAG Bench通过评估法律RAG系统端到端性能，发现信息检索是性能的主要驱动因素，Kanon 2嵌入器显著提升了正确性和基础性。
2026-03-02 cs.CL cs.IR cs.LG
MedTrust-RAG: Evidence Verification and Trust Alignment for Biomedical Question Answering
College of Computer Science and Technology, Dalian University of Technology（大连理工大学计算机科学与技术学院）；Air Force Communications NCO Academy（空军通信NCO学院）
针对生物医学RAG因检索噪声和证据验证不足导致的幻觉问题，本文提出MedTrust-Guided Iterative RAG，通过引用约束、迭代检索验证和MTAM偏好对齐提升事实可靠性。
2025-10-18 cs.AI cs.CL cs.IR
Agentic Hybrid RAG for Evidence-Grounded Muon Collider Analysis
Peking University（北京大学）
提出智能混合RAG框架，结合稀疏与稠密检索及智能推理，用于缪子对撞机研究的证据检索与答案生成，构建首个基准并验证其有效性。
2026-09-29 cs.AI cs.CL cs.IR
IREA: Intermediate Representation-based Embedding Alignment for Normative RAG
Konkuk University（建国大学）；NAVER Cloud（NAVER云）
针对LLM伦理判断不足，提出IREA双向对齐方法，将查询与规范映射到共享情境-行为表示，提升规范性检索与伦理判断效果。
2026-10-06 cs.CL
DR-RAG: Applying Dynamic Document Relevance to Retrieval-Augmented Generation for Question-Answering
Li Auto Inc.（理想汽车）；Sun Yat-sen University（中山大学）；Northeastern University（东北大学）；Sichuan University（四川大学）
针对RAG单次检索不可靠且多次调用LLM效率低的问题，提出两阶段DR-RAG框架，利用文档与查询的动态相关性及紧凑分类器提升多跳问答检索召回与答案准确率。
2024-06-16 cs.CL cs.LG
