ArtistMus: A Globally Diverse, Artist-Centric Benchmark for Retrieval-Augmented Music Question Answering
ArtistMus提出一个全球多样、以艺术家为中心的基准，通过检索增强生成技术提升音乐问答的准确性和上下文推理能力。
2026-02-15 cs.AI cs.CL cs.IR
Predicting Retrieval Utility and Answer Quality in Retrieval-Augmented Generation
University of Glasgow（格拉斯哥大学）
本文提出在检索增强生成中通过预测检索文档效用和答案质量来提升生成性能。
2026-01-20 cs.IR
Agent-centric Information Access
本文提出智能体中心信息访问框架，将LLM作为知识智能体动态排名查询，并构建可扩展评估框架以应对专家选择、成本与鲁棒性挑战。
2025-02-26 cs.IR
MLDocRAG: Multimodal Long-Context Document Retrieval Augmented Generation
Independent Researcher（独立研究者）
MLDocRAG通过构建多模态片段-查询图，实现多模态长上下文文档的检索增强生成，提升问答的准确性和连贯性。
2026-02-13 cs.CL cs.IR
Entity Retrieval for Answering Entity-Centric Questions
School of Computing Science（计算科学学院）；Simon Fraser University（西蒙菲莎大学）
针对以实体为中心的问答，本文提出 Entity Retrieval，利用问题中的显著实体而非问题—文档相似性检索文档，并证明其相比稠密与稀疏检索更准确、更高效。
2024-08-05 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
MolE-RAG: Molecular Structure-Enhanced Retrieval-Augmented Generation for Chemistry
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of California, San Diego（加州大学圣地亚哥分校）
提出无需训练的分子中心检索增强生成框架MolE-RAG，通过整合检索文献、分子特定信息和结构相似分子三种上下文，显著提升LLM在分子性质预测任务中的性能。
2026-06-16 cs.IR cs.LG
Trans-RAG: Query-Centric Vector Transformation for Secure Cross-Organizational Retrieval
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；The University of Western Australia（西澳大学）
Trans-RAG通过查询导向的向量转换技术，在保持检索效率的同时实现跨组织安全检索，实验显示其在准确性和效率上均优于同态加密。
2026-04-10 cs.CR cs.IR
ECLASS-Augmented Semantic Product Search for Electronic Components
Phoenix Contact GmbH & Co. KG（菲尼克斯电气股份两合公司）
本文提出利用LLM密集检索和ECLASS层次语义提升电子元件语义搜索效果，实验显示其在准确率和效率上均优于传统方法。
2026-09-11 cs.IR
RAGR: Review-Augmented Generative Recommendation
Dalian University of Technology（大连理工大学）；City University of Hong Kong（香港城市大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
本文提出RAGR，一种将评论反馈直接融入生成用户序列的新型生成推荐框架，通过混合行为-语义序列和基于直接偏好优化的任务生成对齐策略，提升推荐性能。
2026-06-16 cs.IR
Search-P1: Path-Centric Reward Shaping for Stable and Efficient Agentic RAG Training
Tencent（腾讯）
Search-P1通过路径中心奖励塑造提升代理RAG训练的稳定性和效率，实现7.7个百分点的准确率提升。
2026-02-26 cs.CL cs.IR cs.LG
EmbeddingRWKV: State-Centric Retrieval with Reusable States
Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室）；Shenzhen Yuanshi Intelligence Co., Ltd（深圳元世智能科技有限公司）
EmbeddingRWKV通过统一的嵌入模型和状态骨干，实现高效检索与重排序，提升系统效率。
2026-01-10 cs.CL cs.IR
GAAMA: Graph Augmented Associative Memory for Agents
Nagarro（Nagarro公司）
GAAMA通过三步流程构建概念中介知识图，结合余弦相似度和个性化PageRank实现检索，通过GRaft修复知识图，提升多会话任务中的表现。
2026-05-13 cs.AI cs.IR cs.MA
Personalize Before Retrieve: LLM-based Personalized Query Expansion for User-Centric Retrieval
Dalian University of Technology（大连理工大学）；City University of Hong Kong（香港城市大学）；University of Science and Technology of China（中国科学技术大学）；Huawei Technologies Ltd.（华为技术有限公司）
本文提出PBR框架，通过在检索前个性化查询扩展，提升用户个性化检索的性能。
2025-12-09 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
Meta Knowledge for Retrieval Augmented Large Language Models
本研究针对RAG系统难综合大量多样化文档的问题，提出含元知识摘要的“准备-改写-检索-阅读”新型数据-centric RAG工作流，验证其检索与答案质量更优且成本低，可适配微调进一步提效。
2024-08-16 cs.IR
TagRAG: Tag-guided Hierarchical Knowledge Graph Retrieval-Augmented Generation
East China Normal University（东华师范大学）
TagRAG通过构建标签知识图谱和标签引导的检索生成框架，提升小语言模型的全局推理能力和知识增量效率，实验显示其在多个领域数据集上表现优异。
2026-05-02 cs.CL cs.IR
R3-REC: Reasoning-Driven Recommendation via Retrieval-Augmented LLMs over Multi-Granular Interest Signals
Sydney Smart Technology College, Northeastern University, China（悉尼智能技术学院，东北大学，中国）
本文针对序列推荐中的证据不足和动态多维意图建模问题，提出R3-REC框架，通过多级用户意图推理、物品语义提取等模块提升推荐效果，实验显示在多个数据集上优于基线模型。
2026-03-14 cs.AI cs.IR
Fast and Faithful: Real-Time Verification for Long-Document Retrieval-Augmented Generation Systems
MBZUAI, McGill University（MBZUAI，麦吉尔大学）
本文提出一种实时验证组件，用于长文档检索增强生成系统，通过平衡响应时间和验证覆盖度，提升对长文档的忠实性验证。
2026-03-04 cs.CL cs.IR
RAGTurk: Best Practices for Retrieval Augmented Generation in Turkish
Roketsan Inc.（罗克桑公司）；Politecnico di Torino（都灵理工大学）；Middle East Technical University（中东技术大学）；TOBB University of Economics and Technology（TOBB经济与技术大学）
RAGTurk研究了土耳其语中检索增强生成的最佳实践，通过构建土耳其RAG数据集并测试RAG管道各阶段，发现HyDE方法在准确性上表现最佳，同时帕累托最优配置在成本较低的情况下也表现出色。
2026-02-03 cs.AI cs.CL cs.IR
Reasoning-Augmented Representations for Multimodal Retrieval
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Kookmin University（韩国高丽大学）
本研究提出一种增强推理的多模态检索方法，通过外部化推理和语义密集表示提升检索性能，尤其在知识密集型查询和组合修改请求中表现优异。
2026-02-06 cs.AI cs.CV cs.IR
AdaGATE: Adaptive Gap-Aware Token-Efficient Evidence Assembly for Multi-Hop Retrieval-Augmented Generation
Center for Data Science（数据科学中心）；New York University（纽约大学）；Tandon School of Engineering（泰顿工程学院）
AdaGATE通过适应性间隙感知修复和令牌高效证据选择，提升多跳RAG在不完美检索下的鲁棒性，实现最佳证据F1得分。
2026-05-04 cs.CL cs.IR
Fine-Grained Guidance for Retrievers: Leveraging LLMs' Feedback in Retrieval-Augmented Generation
Zhejiang University（浙江大学）；Shanghai Jiao Tong University（上海交通大学）
提出FiGRet框架，利用LLM构建细粒度示例引导检索器学习，对齐LLM偏好，提升RAG系统性能。
2024-11-06 cs.AI cs.IR
SAGEO Arena: A Realistic Environment for Evaluating Search-Augmented Generative Engine Optimization
Department of Artificial Intelligence Yonsei University Seoul Republic of Korea（人工智能系 韩国延世大学）；Yonsei University（韩国延世大学）；Konkuk University（韩国Konkuk大学）
SAGEO Arena是一个用于评估搜索增强生成引擎优化的现实环境，通过整合生成搜索管道和结构信息，解决现有基准在端到端可见性评估和结构信息利用方面的不足。
2026-08-10 cs.AI cs.IR
MDER-DR: Multi-Hop Question Answering with Entity-Centric Summaries
MDER-DR通过实体中心摘要和分解解决机制，提升多跳问答任务在稀疏复杂关系数据中的鲁棒性和性能。
2026-03-11 cs.AI cs.CL cs.IR
Higress-RAG: A Holistic Optimization Framework for Enterprise Retrieval-Augmented Generation via Dual Hybrid Retrieval, Adaptive Routing, and CRAG
School of Computer Science, Northwestern Polytechnical University（计算机学院，西北工业大学）
Higress-RAG通过双混合检索、自适应路由和CRAG实现企业检索增强生成的综合优化，提升检索精度与生成可靠性。
2025-12-30 cs.AI cs.CL cs.IR
Benchmarking Retrieval-Augmented Multimodal Generation for Document Question Answering
Huawei Noah’s Ark Lab（华为诺亚实验室）
本文提出 MMDocRAG 基准，通过 4,055 个多页跨模态问答对和 60 个 VLM/LLM 及 14 个检索系统的大规模实验，揭示多模态证据检索与整合挑战，并发现专有 LVMs 优于开源模型、图像描述可提升微调 LLMs 性能。
2025-11-07 cs.CL cs.CV cs.IR
MegaRAG: Multimodal Knowledge Graph-Based Retrieval Augmented Generation
Department of Computer Science and Information Engineering, National Taiwan University（国立台湾大学计算机科学与信息工程系）；Department of Mathematics, National Kaohsiung Normal University（高雄师范大学数学系）；FinTech Center, National Taiwan University（国立台湾大学金融科技中心）；E.SUN Financial Holding Co., Ltd.（E.SUN财务公司）
MegaRAG通过引入多模态知识图谱，提升大语言模型在跨模态推理中的内容理解能力，在文本和多模态语料中均优于现有RAG方法。
2026-04-20 cs.AI cs.CL cs.CV
MIDR: Enrichment-Augmented Indexing for Multimodal Document Retrieval
Bloomberg（彭博公司）
本研究提出无需训练的MIDR框架，将多模态推理移至索引时，在多领域文档检索任务中，其性能优于或匹敌现有模型，且索引内存和查询延迟更优。
2026-09-02 cs.AI cs.CL cs.CV
