MetaReVision: Meta-Learning with Retrieval for Visually Grounded Compositional Concept Acquisition
Michigan State University(密歇根州立大学);University of Michigan(密歇根大学)
受人类借助原始概念学习新组合概念的机制启发,本文提出检索增强的元学习模型MetaReVision,构建两个基准数据集,实验证明其在视觉接地组合概念学习任务上优于基线,且检索模块作用关键。
2023-11-02 cs.AI cs.CL
A Document-grounded Matching Network for Response Selection in Retrieval-based Chatbots
Peking University(北京大学);Microsoft Corporation(微软公司)
我们提出了一个基于文档的匹配网络(DGMN)的响应选择,可以支持基于知识感知的检索聊天机器人系统。建立这样一个模型的挑战在于如何将会话上下文与背景文档结合起来,以及如何识别文档中的重要信息进行匹配。为了克服这些挑战,DGMN将文档和上下文中的信息融合到彼此的表示中,并且通过在匹配步骤处与响应的分层交互来动态地确定接地是否是必要的以及文档和上下文的不同部分的重要性。两个公开数据集的实证研究表明,DGMN可以显着改善国家的最先进的方法,同时享有良好的解释性。
2019-06-11 cs.CL
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
KinyaColBERT: A Lexically Grounded Retrieval Model for Low-Resource Retrieval-Augmented Generation
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Princeton University(普林斯顿大学)
本文提出KinyaColBERT检索模型,通过词级后期交互和基于形态学的分词结合两层Transformer编码,解决低资源语言RAG检索准确率低的问题,并在基尼亚卢旺达语农业检索基准上优于强基线和商业API。
2025-07-04 cs.CL
Content Selection Network for Document-grounded Retrieval-based Chatbots
Université de Montréal(蒙特利尔大学);Renmin University of China(中国人民大学)
在文档中建立人机对话是提高基于检索的聊天机器人性能的有效方法。然而,只有部分文档内容可能与帮助在一轮中选择适当的响应相关。因此,选择与当前会话上下文相关的文档内容部分至关重要。在本文中,我们提出了一个文档内容选择网络(CSN)执行显式选择相关的文档内容,并过滤掉不相关的部分。我们在两个公共文档为基础的会话数据集上的实验表明,CSN可以有效地帮助选择相关的文档内容的会话上下文,它产生更好的结果比国家的最先进的方法。我们的代码和数据集可以在https://github.com/DaoD/CSN上找到。
2021-01-21 cs.CL
Groundedness in Retrieval-augmented Long-form Generation: An Empirical Study
Oracle Labs(甲骨文实验室);ETH Zürich(苏黎世联邦理工学院)
本文实证研究检索增强LLM在长文本问答中的句子级接地性,跨3个数据集和4个模型系列分析模型规模、解码策略与指令微调的影响,发现正确答案仍常受幻觉影响。
2024-04-10 cs.CL cs.LG
PubMed Reasoner: Dynamic Reasoning-based Retrieval for Evidence-Grounded Biomedical Question Answering
PayPal;Worcester Polytechnic Institute(伍斯特理工学院)
PubMed Reasoner通过动态推理机制提升生物医学问答的准确性与证据可靠性,采用三阶段框架优化检索过程并生成有据可查的回答。
2026-03-28 cs.CL
Retrieval-Free Knowledge-Grounded Dialogue Response Generation with Adapters
Center for Artificial Intelligence Research (CAiRE)(人工智能研究中心(CAiRE));The Hong Kong University of Science and Technology(香港科技大学)
为了丰富和丰富所产生的对话反应,近年来对基于知识的对话进行了调查。现有的方法通过在大型语料库中检索相关句子并使用明确的额外信息来增强对话来解决知识基础挑战。尽管他们的成功,然而,现有的作品有缺陷的推理效率。本文提出了KnowExpert,一个框架,绕过显式检索过程,并注入知识到预先训练的语言模型与轻量级适配器,并适应知识为基础的对话任务。据我们所知,这是第一次尝试在开放域聊天场景下,在这项任务中不进行检索来应对这一挑战。实验结果表明,Knowexpert执行与一些基于检索的基线,同时是时间效率的推理,证明了我们提出的方法的有效性。
2022-04-25 cs.AI cs.CL
How Grounded is Wikipedia? A Study on Structured Evidential Support and Retrieval
Johns Hopkins University(约翰霍普金斯大学)
本研究通过新数据集PeopleProfiles分析维基百科的立足点,发现导言与正文中分别有约22%和30%的声明缺乏支持,且复杂证据检索对现有重排序器仍是挑战。
2025-10-08 cs.CL
ToolOmni: Enabling Open-World Tool Use via Agentic learning with Proactive Retrieval and Grounded Execution
Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳))
ToolOmni通过主动检索和基础执行实现开放世界工具使用,通过冷启动多轮交互数据集和Decoupled Multi-Objective GRPO算法提升工具检索和执行性能,实验表明其在检索和执行任务上均达到SOTA水平。
2026-04-15 cs.CL
Generative Subgraph Retrieval for Knowledge Graph-Grounded Dialog Generation
Korea University(高丽大学);Amazon AGI(亚马逊AGI)
针对知识图谱支撑的对话生成中外部编码器无法利用预训练语言模型知识及单向量抽象导致信息瓶颈的问题,提出DialogGSR方法,通过在语言模型上直接生成子图词元序列并结合结构感知线性化与图约束解码进行检索,在多个数据集上达到最先进性能。
2024-10-12 cs.AI cs.CL
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
Reason What Matters: Retrieval-Grounded Reasoning for Universal Multimodal Embeddings
Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);School of Artificial Intelligence and Data Science, USTC(中国科学技术大学人工智能与数据科学学院);Kuaishou Technology(快手科技);College of Future Information Technology, Fudan University(复旦大学未来信息技术学院)
针对通用多模态嵌入中GRPO信用分配不均和CoT推理延迟高的问题,提出ReWAM框架,通过检索感知自蒸馏和自适应推理,实现最先进检索性能并提升高达5倍推理吞吐量。
2026-09-29 cs.AI cs.CL
Taking the PULSE of Medical Reasoning: Step-Level Retrieval Timing for Knowledge-Grounded Inference
Harbin Institute of Technology(哈尔滨工业大学)
本研究提出轻量级探测方法 PUlSE,通过分析 LLM 内部表征的层间波动性检测医学推理步骤的事实错误,触发自适应检索,在保持准确率的同时减少 72% 检索调用,且可跨领域迁移。
2026-10-15 cs.CL
PAVE: Premise-Aware Validation and Editing for Retrieval-Augmented LLMs
Ryquo;App-In Club
PAVE通过在推理阶段验证和编辑检索到的证据,提高检索增强大语言模型的回答一致性。在两个证据基础问答任务中,PAVE在跨度基础基准上提升了32.7个准确率点。
2026-04-02 cs.AI cs.CL
Filtering before Iteratively Referring for Knowledge-Grounded Response Selection in Retrieval-Based Chatbots
State Key Laboratory of Cognitive Intelligence, iFLYTEK Research(科大讯飞认知智能国家重点实验室)
构建基于知识的基于检索的聊天机器人的挑战在于如何将会话建立在其背景知识上,以及如何同时将响应候选者与上下文和知识相匹配。针对这一问题,提出了一种迭代引用前过滤(FIRE)方法.该方法首先建立上下文过滤器和知识过滤器,通过全局和双向注意分别得到知识感知的上下文表示和上下文感知的知识表示。此外,与会话无关的条目被知识过滤器丢弃。之后,在上下文和响应表示之间以及在知识和响应表示之间迭代地执行引用,以便收集用于对响应候选进行评分的深度匹配特征。实验结果表明,FIRE优于以前的方法的利润率大于2.8%和4.1%的PERSONA-CHAT数据集上的原始和修改的人物角色,和利润率大于3.1%的CMU_DoG数据集上的top-1的准确性。我们还表明,消防是更可解释的可视化的知识接地过程。
2020-09-21 cs.CL
Two Views, One Voice: Evidence-Grounded Conversational Music Recommendation
Naver(纳弗公司);Samsung(三星公司)
在ACM RecSys Challenge 2026中,团队“swyoo”将检索与响应解耦为单独管道,结合混合池与LightGBM校准候选,再经PAS框架构建响应,实现基于证据的对话式音乐推荐,在排名和解释质量上取得佳绩。
2026-07-29 cs.AI cs.CL cs.IR
OG-RAG: Ontology-Grounded Retrieval-Augmented Generation For Large Language Models
Microsoft Research(微软研究院)
本文提出OG-RAG,一种基于本体论基础的检索增强生成方法,通过构建领域文档超图并检索最小超边集为LLM提供结构化上下文,显著提升了事实召回率、响应正确率和推理准确率。
2024-12-12 cs.AI cs.CL
SourceMinds at CheckThat! 2026: NLI-Grounded Citation Auditing in a Multi-Agent Pipeline for Full Fact-Checking Article Generation
University of North Texas(北得克萨斯大学);Texas Academy of Mathematics and Science (TAMS)(德克萨斯数学与科学学院)
针对CLEF 2026 CheckThat!实验室任务3,提出多智能体管道系统,结合证据检索、结构化规划、文章生成、自我批判及引用审核等方法,强调证据选择、结构化生成与生成后引用验证对事实核查文章生成的重要性。
2026-07-31 cs.CL cs.IR
HalluGuard: Evidence-Grounded Small Reasoning Models to Mitigate Hallucinations in Retrieval-Augmented Generation
Banque de Luxembourg(卢森堡银行);Center for Data Science in Humanities, Chosun University(人文数据科学中心,全州大学);ATILF, University of Lorraine–CNRS(ATILF,洛林大学–CNRS);SnT, University of Luxembourg(SnT,卢森堡大学)
本研究提出4B参数量的小型推理模型HalluGuard,通过合成数据集、偏好微调等技术缓解RAG中的幻觉,在基准测试中性能媲美更大参数量的模型,将以开源协议发布。
2025-10-01 cs.CL
Induce, Edit, Retrieve: Language Grounded Multimodal Schema for Instructional Video Retrieval
University of Pennsylvania(宾夕法尼亚大学)
模式是复杂任务的结构化表示,可以通过允许模型将复杂任务分解为中间步骤来帮助人工智能。我们提出了一种新的系统,诱导图式从网络视频和概括他们捕捉看不见的任务,以提高视频检索性能的目标。我们的系统分为三个主要阶段:(1)给定一个具有相关视频的任务,我们使用联合视频-文本模型为任务构建一个初始模式,以将视频片段与wikiHow中的文本表示步骤相匹配;(2)我们通过利用语言模型编辑现有模式中的文本,将模式推广到看不见的任务。通过泛化,我们可以让我们的模式,以少量的学习数据,以涵盖更广泛的任务;(3)我们进行zero-shot教学视频检索与看不见的任务名称作为查询。我们的模式引导的方法优于现有的方法进行视频检索,我们证明了我们的系统诱导的模式比其他模型产生的更好。
2021-11-17 cs.CL cs.CV
GeopoliticalQA: Benchmarking Retrieval and Generation over Intelligence Reports
GeopoliticalQA基准包含415份情报报告的5525个问答对,通过专家标注与LLM验证质量,评估15个检索系统和6个LLM的RAG性能,发现块级检索质量不依赖嵌入模型规模,bge-m3表现突出,答案生成仍具挑战。
2026-10-12 cs.CL cs.IR
Attention Grounded Enhancement for Visual Document Retrieval
Alibaba Group(阿里巴巴集团);University of Chinese Academy of Sciences(中国科学院大学)
本文提出AGREE框架,通过多模态大语言模型的注意力机制引导检索器识别相关文档区域,提升细粒度相关性建模,实验表明在ViDoRe V2基准上显著优于传统方法。
2026-05-09 cs.CL cs.CV cs.IR
GRAMMAR: Grounded and Modular Methodology for Assessment of Closed-Domain Retrieval-Augmented Language Model
School of IT, Deakin University(迪肯大学信息技术学院)
本文提出GRAMMAR评估框架,通过基于事实的数据生成和模块化评估协议,解决闭域RAG系统因数据私有和真实答案稀缺而难以诊断缺陷模块的问题,并验证其能可靠识别脆弱模块及支持文本形式脆弱性假设检验。
2024-10-23 cs.AI cs.CL
TRACE the Evidence: Constructing Knowledge-Grounded Reasoning Chains for Retrieval-Augmented Generation
University of Glasgow(格拉斯哥大学)
针对RAG检索噪声影响多跳问答的问题,本文提出TRACE,通过从检索文档构建知识图谱并生成知识三元组推理链来整合证据,实验显示其平均性能最高提升14.03%。
2024-06-17 cs.AI cs.CL
Narrative World Model: Narratology-Grounded Writer Memory for Long-Form Fiction
PocketFM(口袋FM)
研究针对长篇小说作者记忆问题,提出叙事世界模型(NWM),结合叙事学时间状态图与查询条件混合检索,在多跳叙事学问答上显著优于基线,优势源于其独特表征,非提取方式。
2026-07-08 cs.AI cs.CL cs.IR
MOTOR: Multimodal Optimal Transport via Grounded Retrieval in Medical Visual Question Answering
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Department of Mathematics and Computer Science, Faculty of Science, Alexandria University(亚历山大大学数学与计算机科学系);Sheikh Shakhbout Medical City(谢赫·沙赫布OUT医疗城)
针对医学视觉问答中检索上下文不相关的问题,本文提出MOTOR方法,利用接地字幕和最优传输进行多模态检索与重排序,在MedVQA数据集上平均超越现有最优方法6.45%。
2025-06-28 cs.CL cs.CV
LEDGER: A Long-Context Benchmark of Corporate Annual Reports for Grounded Financial Retrieval and Extraction
Artefact Research Center(Artefact 研究中心);MICS, CentraleSupélec, Université Paris-Saclay(巴黎萨克雷大学中央理工高等电力学院 MICS 实验室);Ardian
提出LEDGER基准,包含4,999份数字化公司年报,用于评估大语言模型在长上下文金融任务中的表现,涵盖KPI检索、单值查找和全量提取任务。
2026-06-12 cs.CL
Semantic speech retrieval with a visually grounded model of untranscribed speech
Stellenbosch University(斯泰伦博斯大学);TTI-Chicago(芝加哥丰田技术研究所)
人们对可以从与视觉上下文配对的未标记语音中学习的模型越来越感兴趣。此设置与低资源语音处理、机器人和人类语言习得研究相关。在这里,我们研究了一个基于视觉的语音模型,在与口头字幕配对的场景图像上训练,如何捕捉语义的各个方面。我们使用外部图像标记器从图像中生成软文本标签,这些标签作为神经模型的目标,将未转录的语音映射到(语义)关键字标签。我们引入了一个新收集的数据集的人类语义相关性判断和相关的任务,语义语音检索,其目标是搜索口语的语义相关的一个给定的文本查询。在没有看到任何文本的情况下,在并行语音和图像上训练的模型在其十大语义检索中达到了近60%的精度。与在transmittance上训练的监督模型相比,我们的模型在某些方面更好地匹配人类的判断,特别是在检索非逐字语义匹配方面。我们进行了广泛的分析模型及其产生的表示。
2018-10-31 cs.CL cs.CV eess.AS
TCAR-Gen: Temporal Graph Retrieval with Evidence Fusion for Knowledge-Grounded Generation
Dipartimento di Informatica, Università di Verona(威尼斯大学计算机科学系);School of Advanced Studies, University of Camerino(坎皮诺大学高级研究学院);Department of Computer Science, School of Mathematics and Computer Science, Institute of Business Administration (IBA), Karachi, Pakistan(卡拉奇工商管理学院(IBA)数学与计算机科学学院计算机科学系)
提出TCAR-Gen框架,结合查询条件图神经网络、时间证据融合和树链推理,在历史犯罪叙事问答中实现时间推理和多源证据融合,优于现有RAG方法。
2026-04-15 cs.AI cs.CL
Asking More Informative Questions for Grounded Retrieval
Carnegie Mellon University(卡内基梅隆大学);Cornell Tech(康奈尔科技校区)
本文提出一种两阶段方法,通过处理预设错误来提出开放式问题,在基于实体的多轮图像识别中,将准确率提升14%,游戏效率提升48%。
2023-11-14 cs.CL
Coarse-to-Fine Knowledge Selection for Document Grounded Dialogs
State Key Laboratory for Novel Software Technology, Nanjing University(南京大学计算机软件新技术全国重点实验室);Alibaba Group(阿里巴巴集团)
多文档接地对话系统(DGDS)属于一类会话代理,通过从文档集合中找到支持知识来回答用户的请求。大多数以前的研究旨在改善知识检索模型或提出更有效的方法,将外部知识的参数生成模型。然而,这些方法集中于从单粒度语言单元(例如,文档中的段落、句子或跨度)中检索知识,这不足以有效地和高效地捕获长文档中的精确知识。本文提出了Re3G,其目的是优化粗粒度的知识检索和细粒度的知识提取在一个统一的框架。具体来说,前者有效地找到检索和重新排序过程中的相关段落,而后者有效地提取这些段落中的更细粒度跨度,以纳入参数答案生成模型(BART,T5)。在DialDoc共享任务上的实验证明了该方法的有效性。
2023-02-23 cs.CL
SpectraQuery: A Hybrid Retrieval-Augmented Conversational Assistant for Battery Science
Mechanical Engineering, Stanford University(斯坦福大学机械工程系);Applied Energy Division, SLAC National Accelerator Laboratory(SLAC国家加速器实验室应用能源部门);Institute of Computational and Mathematical Engineering, Stanford University(斯坦福大学计算与数学工程研究所)
SpectraQuery通过结合结构化数据库和文献语料库,为电池科学提供检索增强型对话助手,有效整合数值证据与机理解释,提升科学推理效率。
2026-01-14 cs.CL cs.IR
SAKE: Self-aware Knowledge Exploitation-Exploration for Grounded Multimodal Named Entity Recognition
Sun Yat-sen University(中山大学);Shandong Normal University(山东师范大学);University of the Chinese Academy of Sciences(中国科学院大学);Southeast University(东南大学)
针对开放世界社交媒体平台中长尾、快速演变和未见实体的挑战,SAKE提出一种端到端代理框架,通过自我意识推理和自适应搜索工具调用,结合内部知识利用和外部知识探索,提升多模态命名实体识别的精度与鲁棒性。
2026-04-22 cs.CL cs.IR
Grounded Revision vs. Prior Injection: Probing Retrieval-Augmented Patent Claim Amendment
Pukyong National University(釜庆大学);Tomocube Inc.(Tomocube 公司);Connectionary(Connectionary 公司);Teamreboott Inc.(Teamreboott 公司)
本研究通过专利权利要求修改场景,提出语料库、探测组和确定性指标,系统检验检索增强生成中检索是否真正支持修订而非注入模板,发现前沿LLM无先验注入行为,检索效应微弱且方向不一致。
2026-09-30 cs.CL
KnowPrefix-Tuning: A Two-Stage Prefix-Tuning Framework for Knowledge-Grounded Dialogue Generation
Beihang University(北京航空航天大学);Tencent Cloud AI(腾讯云人工智能)
提出KnowPrefix-Tuning两阶段框架,通过向轻量级前缀注入先验知识绕过检索,并采用交互式重参数化机制,在知识驱动对话生成中实现优于微调且媲美检索基线的性能,推理速度提升3倍。
2023-06-27 cs.CL
Lit3R: Retrieve-Relate-Read for Evidence-Grounded Question Answering over Scientific Literature
Tokyo University of Science(东京理科大学);Dentsu Soken Inc.(电通综研株式会社);Studio Ousia
Lit3R系统结合现成检索、重排序和LLM组件,通过迭代检索与跨论文证据综合,在LitTraceQA任务中排名第四,无需任务特定训练。
2026-09-16 cs.CL
TSWAP: A Multilingual Retrieval-Augmented Thai Wellness Advisor
Digital Touch Point Co., Ltd.(数字触点有限公司);iApp Technology Co., Ltd.(iApp技术有限公司)
研究提出多语言检索增强型泰国健康顾问TSWAP,基于泰国传统医学知识库,采用混合检索等技术,发布相关基准与日志,发现量化及强制检索的部署要点。
2026-08-25 cs.CL cs.IR
LawCompass: Navigating from Legal QA to Multi-Agent Deep Research with Grounded Evidence
Anhui University(安徽大学);Tsinghua University(清华大学)
LawCompass是一个基于证据的法律助手,通过法律问答、专业检索和深度研究三种功能,实现从标准问答到多智能体深度研究的转变,并保持引用链接以增强可信度。
2026-10-02 cs.CL
How Can Context Help? Exploring Joint Retrieval of Passage and Personalized Context
IBM Research AI(IBM研究院人工智能部门);Rensselaer Polytechnic Institute(伦斯勒理工学院)
针对个性化上下文融入文档对话系统研究不足的问题,提出上下文感知段落检索任务,构建专用数据集并提出PCAS方法,实验证明其在段落检索和相关上下文识别上均优于基线,可为该方向研究提供支撑。
2023-08-26 cs.AI cs.CL cs.IR
Trajectory-Aware Clinical Risk Prediction via Severity-Grounded Knowledge Graphs and Retrieval-Augmented Generation
Hanyang University(汉阳大学);Korea University(韩国大学)
针对利用EHRs预测临床风险的挑战,提出TRACER框架,通过构建含严重程度信息的知识图谱、检索患者进展路径、提取临床事件及用相似病例增强患者背景来预测风险,在相关数据集实验中相比基线有显著提升。
2026-10-02 cs.AI cs.CL
BEACON-SP: Ontology-Grounded GraphRAG Framework for Clinical Suicide Risk Assessment
Nexcepta;United States Military Academy(美国军事学院)
BEACON-SP提出本体锚定的图检索增强生成框架,整合患者知识图谱与自杀预防本体,支持多跳推理,在临床问答中优于向量RAG基线,76.4%案例被优先选择。
2026-10-08 cs.AI cs.CL cs.IR
Key-Value Retrieval Networks for Task-Oriented Dialogue
Ford Research Innovation Center(福特研究创新中心)
神经任务导向的对话系统通常难以与知识库平滑地接口。在这项工作中,我们试图通过提出一种新的神经对话代理来解决这个问题,该代理能够通过一种新型的键值检索机制有效地维持接地的多域话语。该模型是端到端可区分的,并且不需要显式地对对话状态或信念跟踪器进行建模。我们还发布了一个包含3,031个对话的新数据集,这些对话基于底层知识库,涵盖车载个人助理领域的三个不同任务:日历调度、天气信息检索和兴趣点导航。我们的架构同时对来自所有领域的数据进行训练,并且根据自动和人工评估指标,在所提供的领域上显著优于基于规则的竞争系统和其他现有的神经对话架构。
2017-07-14 cs.CL
GINGER: Grounded Information Nugget-Based Generation of Responses
University of Stavanger(斯塔万格大学)
针对检索增强生成存在的事实正确性、来源归因等问题,提出基于信息单元的模块化生成流水线GINGER,经TREC RAG'24数据集实验验证达到该基准最优性能。
2025-03-23 cs.CL cs.IR
CacheWeaver: Cache-Aware Evidence Ordering for Efficient Grounded RAG Inference
Heinz College of Information Systems and Public Policy, Carnegie Mellon University(卡内基梅隆大学海因茨信息系统与公共政策学院)
提出CacheWeaver,一种轻量级提示层方法,通过缓存感知的证据排序降低RAG推理的首令牌延迟,无需修改服务引擎或证据集。
2026-09-07 cs.CL
Mitigating LLM Hallucinations through Domain-Grounded Tiered Retrieval
Computational Unit, Z.H. College of Engineering & Technology, Aligarh Muslim University, India(计算单元,Z.H. 工程技术学院,阿利加尔穆斯林大学,印度);Interdisciplinary Center for Artificial Intelligence, Aligarh Muslim University, India(跨学科人工智能中心,阿利加尔穆斯林大学,印度);Department of Computer Engineering, Aligarh Muslim University, India(计算机工程系,阿利加尔穆斯林大学,印度)
本文提出一种领域导向的分层检索与验证架构,通过将LLM从随机模式匹配者转变为验证真理寻求者,系统拦截事实性不准确内容。在六个基准测试中,该框架在时间精度和数值准确性要求高的领域表现出色,但发现存在'假前提过度断言'的持续失败模式。
2026-03-25 cs.AI cs.CL
PYTHALAB-MERA: Validation-Grounded Memory, Retrieval, and Acceptance Control for Frozen-LLM Coding Agents
PythaLab, Yildiz Technical University(PythaLab,伊兹密尔技术大学)
PYTHALAB-MERA通过轻量级外部控制器实现验证基础的内存管理、适应性检索与延迟信用分配,提升冻结本地模型在编码任务中的验证成功率。
2026-05-08 cs.AI cs.CL cs.LG
DeepWriter: A Fact-Grounded Multimodal Writing Assistant Based On Offline Knowledge Base
Shanghai AI LAB(上海人工智能实验室)
DeepWriter通过离线知识库、任务分解、多模态检索与逐节反思撰写,解决LLM在专业写作中的知识不足和幻觉问题,并在财务报告生成上超越现有基线。
2025-08-14 cs.AI cs.CL
Hallucination-Resistant, Domain-Specific Research Assistant with Self-Evaluation and Vector-Grounded Retrieval
CTO Office, Coherent Corporation(Coherent Corporation 技术总监办公室)
针对大语言模型在文献综述中存在幻觉与引用错误的问题,提出基于有限状态机和向量检索的模块化研究助手RA-FSM,在光子学领域六类任务上表现优于基线,可推广至其他科学领域。
2025-09-25 cs.AI cs.CL
FinSAgent: Corpus-Aligned Multi-Agent RAG Framework for Evidence-Grounded SEC Filing Question Answering
1SimpleWay.AI 2McGill University 3University of Toronto 4University of California, Los Angeles 5The Chinese University of Hong Kong 6University of Manitoba 7Universit\'e de Montr\'eal 8Boston University 9Mila - Quebec AI Institute 10CG Matrix Technology Limited 11Lakehead University 12McMaster University
研究针对美国证券交易委员会文件问答中模型与文件不匹配问题,提出FinSAgent框架,通过角色专用智能体、数据库感知查询分解及多路径检索等方法,提升检索覆盖和答案正确性,在离线和在线实验中均优于基线。
2026-07-22 cs.CL cs.IR cs.MA
Language learning using Speech to Image retrieval
Radboud University(拉德堡德大学)
人类通过与环境的互动和倾听他人来学习语言。计算模型也可以直接从语音中学习语言,但到目前为止,大多数方法都需要文本。我们改进了现有的神经网络方法,以创建视觉接地嵌入口语。使用多层GRU,重要性采样,循环学习率,集成和向量自我注意力的组合,我们的研究结果表明,在图像字幕检索性能显着增加比以前的工作。此外,我们还研究了模型中的哪些层学习识别输入中的单词。我们发现,更深的网络层更好地编码单词的存在,虽然最后一层的性能略低。这表明,我们的视觉基础句子编码器学会了从输入中识别单词,即使它没有被明确训练用于单词识别。
2019-09-09 cs.CL
Retrieval-augmented Generation to Improve Math Question-Answering: Trade-offs Between Groundedness and Human Preference
Digital Harbor Foundation(数字港湾基金会);University of Utah(犹他大学);University of Florida(佛罗里达大学);University of Oxford(牛津大学);Rising Academies
本文提出使用检索增强生成(RAG)结合开源数学教科书来改进中学数学问答,通过多条件调查发现人类偏好RAG回答,但需权衡回答的接地性与学生偏好。
2023-11-11 cs.CL cs.HC
AISAC: An Integrated multi-agent System for Transparent, Retrieval-Grounded Scientific Assistance
Transportation and Power Systems Division, Argonne National Laboratory, USA(美国阿贡国家实验室交通与动力系统部)
AISAC 提供了一个透明的多智能体运行环境,支持长期的证据支持科学推理,通过结构化保证实现角色语义、预算管理、可追溯执行和工具交互可重复性。
2026-03-27 cs.AI cs.CL cs.MA
Simorgh at SemEval-2026 task 7: Region-Aware Hybrid Retrieval for Low-Resource Cultural Reasoning in Multilingual Question Answering
University of Tabriz(塔布里兹大学)
提出区域感知混合检索方法,结合BM25和稠密语义相似度与区域加权启发式,以提升多语言文化问答的跨语言稳定性。
2026-05-26 cs.CL