Eliciting Critical Reasoning in Retrieval-Augmented Language Models via Contrastive Explanations
Idiap Research Institute（Idiap研究机构）；Department of Computer Science, University of Manchester（曼彻斯特大学计算机科学系）；National Biomarker Centre (NBC), CRUK Manchester Institute（国家生物标志物中心（NBC），CRUK曼彻斯特研究所）
提出C-RAG框架，通过检索、筛选段落并生成对比相关性解释来激发RAG的批判性推理，从而以更少提示提升模型性能与抗噪鲁棒性。
2024-10-30 cs.AI cs.CL
RAGged Edges: The Double-Edged Sword of Retrieval-Augmented Chatbots
ASRC Federal（ASRC联邦公司）；University of Maryland, Baltimore County（马里兰大学巴尔的摩郡分校）
本文通过诱发幻觉的提示实证比较 RAG 与标准 LLM，发现 RAG 虽能提升部分准确率，但在提示直接冲突时仍会被误导，并据此提出部署建议。
2024-06-12 cs.AI cs.CL
RAG-Star: Enhancing Deliberative Reasoning with Retrieval Augmented Verification and Refinement
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Wuhan University of Science and Technology（武汉科技大学）；National University of Singapore（新加坡国立大学）；Northeastern University at Qinhuangdao（东北大学秦皇岛分校）；BOSS Zhipin（BOSS直聘）
针对复杂推理任务，提出RAG-Star方法，结合检索增强验证与蒙特卡洛树搜索，利用外部知识引导内部推理，实验证明其优于现有方法。
2024-12-17 cs.AI cs.CL
MA-RAG: Multi-Agent Retrieval-Augmented Generation via Collaborative Chain-of-Thought Reasoning
Dartmouth College（达特茅斯学院）
MA-RAG通过协调Planner、Step Definer、Extractor和QA等专用智能体进行协作思维链推理，将复杂QA任务分解为子任务逐步优化检索与合成，在多基准上超越现有RAG方法，确立了高效可靠的多智能体RAG新范式。
2025-10-11 cs.AI cs.CL
GFM-RAG: Graph Foundation Model for Retrieval Augmented Generation
Monash University（墨尔本大学）；Nanjing University of Science and Technology（南京理工大学）；Shanghai Jiao Tong University（上海交通大学）；Griffith University（格里菲斯大学）
GFM-RAG是一种基于图的检索增强生成模型，通过创新的图神经网络捕捉复杂查询-知识关系，实现了在未见数据集上的高效性能和泛化能力。
2025-12-11 cs.AI cs.CL cs.IR
LA-RAG:Enhancing LLM-based ASR Accuracy with Retrieval-Augmented Generation
Huawei TSC（华为技术服务中心）
针对现有基于大语言模型的自动语音识别方法在口音等声学条件下性能受限的问题，提出新型检索增强生成范式LA-RAG，通过细粒度token级语音数据存储与语对语检索结合上下文学习提升准确率，在普通话及方言数据集上验证了有效性。
2024-09-13 cs.CL cs.SD eess.AS
HIRAG: Hierarchical-Thought Instruction-Tuning Retrieval-Augmented Generation
AntGroup（蚂蚁集团）
针对RAG生成模型缺乏细粒度任务关注和思维链利用的问题，提出HIRAG方法，通过层级思维指令微调赋予模型过滤、组合和RAG特定推理能力，显著提升多个基准数据集性能。
2025-09-10 cs.AI cs.CL
Leveraging LLM-Assisted Query Understanding for Live Retrieval-Augmented Generation
Renmin University of China（中国人民大学）
本文提出 Omni-RAG 框架，通过 LLM 辅助的查询理解模块（查询去噪与分解、意图感知检索、重排序与生成），提升实时 RAG 系统处理含噪及多意图查询的鲁棒性。
2025-06-26 cs.AI cs.CL cs.IR
RAGAR, Your Falsehood Radar: RAG-Augmented Reasoning for Political Fact-Checking using Multimodal Large Language Models
Institute for Natural Language Processing, University of Stuttgart（斯图加特大学自然语言处理研究所）；appliedAI Institute for Europe gGmbH（欧洲appliedAI研究所（非营利有限责任公司））；appliedAI Initiative GmbH（appliedAI倡议有限责任公司）
针对政治领域多模态错误信息核查难题，提出结合多模态大模型与RAG的RAGAR框架及CoRAG、ToRAG两种推理技术，加权F1达0.85，超基线0.14，人工评估显示多数生成解释覆盖金标准全部信息。
2024-07-11 cs.AI cs.CL cs.CY
OmniEval: An Omnidirectional and Automatic RAG Evaluation Benchmark in Financial Domain
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）
本文提出金融领域自动化 RAG 基准 OmniEval，通过场景矩阵、GPT-4 与人工结合的数据生成、检索生成多阶段评估及稳健指标，全面衡量不同任务和主题下的 RAG 能力。
2025-02-17 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
CDF-RAG: Causal Dynamic Feedback for Adaptive Retrieval-Augmented Generation
University of California, Irvine（加利福尼亚大学欧文分校）
针对现有RAG框架依赖语义相似性检索导致无法区分因果关系与虚假关联的问题，提出CDF-RAG框架，通过迭代优化查询、检索因果图并验证响应，在四个数据集上提升了生成推理的因果一致性、事实准确性及可解释性。
2025-04-17 cs.CL
MASS-RAG: Multi-Agent Synthesis Retrieval-Augmented Generation
School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院）；Department of Mathematical Sciences, Tsinghua University（清华大学数学科学系）
MASS-RAG通过多代理结构处理证据，提升检索增强生成在噪声、不完整或异质证据下的表现，实验显示其在相关证据分散于检索结果时性能更优。
2026-04-21 cs.CL
Finetune-RAG: Fine-Tuning Language Models to Resist Hallucination in Retrieval-Augmented Generation
Pints AI Labs（Pints AI 实验室）
Finetune-RAG通过微调方法提升LLM事实准确性，提出首个RAG训练数据集和压力测试评估流程。
2025-12-03 cs.CL
Self-adaptive Multimodal Retrieval-Augmented Generation
针对传统RAG在多模态任务中检索固定文档导致信息不全或含噪的问题，提出SAM-RAG方法，通过动态过滤相关文档并验证检索与输出质量，在保持高召回率的同时显著提升了多模态任务的检索精度与响应生成表现。
2024-10-15 cs.CL
MRAG-Suite: A Diagnostic Evaluation Platform for Visual Retrieval-Augmented Generation
University of Pittsburgh（匹兹堡大学）
MRAG-Suite通过引入难度和歧义过滤策略及诊断工具MM-RAGChecker，系统评估视觉检索增强生成的性能与常见幻觉问题。
2026-01-13 cs.CL
BEE-RAG: Balanced Entropy Engineering for Retrieval-Augmented Generation
Baidu（百度）
本文提出 BEE-RAG 框架，通过熵不变性原理和平衡上下文熵重构注意力动态，缓解长检索上下文中的熵增长与注意力稀释问题，并引入零样本推理与参数高效微调机制，在多个 RAG 任务上验证了有效性。
2025-11-10 cs.CL
DF-RAG: Query-Aware Diversity for Retrieval-Augmented Generation
George Mason University（乔治·马歇尔大学）；Capital One
DF-RAG通过在检索阶段引入多样性，提升复杂推理问答任务的F1性能，相比传统RAG提升了4-10个百分点，并接近Oracle上限的91.3%
2026-01-23 cs.CL
Ragas: Automated Evaluation of Retrieval Augmented Generation
Exploding Gradients；CardiffNLP, Cardiff University, United Kingdom（卡迪夫大学）；AMPLYFI, United Kingdom（英国AMPLYFI）
本文提出Ragas框架，通过无需人工标注的多维度指标，自动化评估检索增强生成（RAG）系统的检索能力与生成质量，加速LLM时代的RAG架构评估周期。
2025-04-28 cs.CL
SMART-RAG: Selection using Determinantal Matrices for Augmented Retrieval
Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所）；Information Management Department, Peking University（北京大学信息管理系）
本文提出SMART-RAG，一个完全无监督且无需训练的RAG上下文选择框架，利用行列式点过程同时建模相关性、多样性和冲突，有效解决了传统RAG的冗余与信息冲突问题，显著提升了问答性能。
2024-09-21 cs.CL
ICA-RAG: Information Completeness Guided Adaptive Retrieval-Augmented Generation for Disease Diagnosis
School of Computer Science and Engineering, Central South University（中南大学计算机科学与工程学院）；University of Science and Technology of China（中国科学技术大学）
针对现有RAG方法在疾病诊断中检索策略不灵活的问题，提出ICA-RAG框架，通过信息完整性引导的自适应控制模块优化检索并过滤知识，在三个中文电子病历数据集上显著优于基线方法。
2025-10-15 cs.CL
RAGTruth: A Hallucination Corpus for Developing Trustworthy Retrieval-Augmented Language Models
NewsBreak（纽斯布雷克）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本研究构建了包含近1.8万条标注回复的RAGTruth幻觉语料库，用于RAG场景下的词级幻觉分析，基准测试了多模型幻觉频率，验证了用该语料微调小模型可达到媲美GPT-4提示方法的幻觉检测效果。
2024-05-17 cs.CL
RAGferee: Building Contextual Reward Models for Retrieval-Augmented Generation
Idiap Research Institute（Idiap 研究院）；EPFL（洛桑联邦理工学院）；Amazon AGI（亚马逊通用人工智能）
针对现有奖励模型在RAG场景评判能力不足、相关专用数据集和模型缺失的问题，提出RAGferee方法将QA数据集改造为偏好对，训练出的小参数RAG专用奖励模型在ContextualJudgeBench上超越大参数通用模型，性能提升15.5%。
2025-09-30 cs.CL
RAGCap-Bench: Benchmarking Capabilities of LLMs in Agentic Retrieval Augmented Generation Systems
National University of Singapore（新加坡国立大学）；The Chinese University of Hong Kong（香港中文大学）
本文提出RAGCap-Bench，用于评估代理检索增强生成系统中中间任务的细粒度能力，通过分析现有系统输出识别常见任务和核心能力，设计针对性评估问题，实验表明增强中间能力的模型能获得更好的整体性能。
2026-05-21 cs.CL
MCTS-RAG: Enhancing Retrieval-Augmented Generation with Monte Carlo Tree Search
Yale University（耶鲁大学）；New York University（纽约大学）
提出MCTS-RAG，结合检索增强生成与蒙特卡洛树搜索，动态整合检索与推理，减少幻觉，提升事实准确性，使小模型在知识密集型任务上达到GPT-4o水平。
2025-10-08 cs.CL
DecEx-RAG: Boosting Agentic Retrieval-Augmented Generation with Decision and Execution Optimization via Process Supervision
TJUNLP Lab, College of Intelligence and Computing, Tianjin University（天津大学智能计算学院实验室）；Xiaohongshu Inc.（小红书公司）
DecEx-RAG将RAG建模为MDP，通过过程监督和剪枝策略优化决策与执行，在六个数据集上平均提升6.2%，数据构建效率提高近6倍。
2025-10-07 cs.CL
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
RAGLAB: A Modular and Research-Oriented Unified Framework for Retrieval-Augmented Generation
Nanjing University（南京大学）；Squirrel AI（松鼠AI）；Peking University（北京大学）；Google（谷歌）；Zhejiang University（浙江大学）；Westlake University（西湖大学）
针对 RAG 算法缺乏公平比较及现有工具透明度不足的问题，本文提出模块化开源框架 RAGLAB，复现 6 种算法并在 10 个基准上完成公平评测。
2024-09-09 cs.CL
Pursuing Best Industrial Practices for Retrieval-Augmented Generation in the Medical Domain
DataSelect AI；University of Hong Kong（香港大学）
本文针对医疗领域RAG系统构建，分析各组件并提出替代方案，通过系统评估揭示最佳实践及性能效率权衡。
2026-02-12 cs.CL
RAG-RLRC-LaySum at BioLaySumm: Integrating Retrieval-Augmented Generation and Readability Control for Layman Summarization of Biomedical Texts
University of Pittsburgh（匹兹堡大学）；Salesforce Research（Salesforce研究院）
本文提出RAG-RLRC-LaySum框架，结合检索增强生成与可读性控制强化学习，提升生物医学文本通俗摘要的准确性与可读性，在PLOS和eLife数据集上显著超越Plain Gemini模型。
2024-06-24 cs.CL
Unanswerability Evaluation for Retrieval Augmented Generation
Salesforce Research（Salesforce 研究）
本文提出UAEval4RAG框架，用于评估RAG系统对不可回答查询的处理能力，通过六类分类和自动合成查询，揭示组件选择与提示设计对平衡准确性与拒绝率的关键作用。
2025-04-21 cs.CL
RAG-DDR: Optimizing Retrieval-Augmented Generation Using Differentiable Data Rewards
Northeastern University（东北大学）；Tsinghua University（清华大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出可微数据奖励（DDR）方法，通过rollout评估扰动影响来对齐RAG模块间数据偏好，端到端优化RAG系统，显著优于SFT方法并提升小模型知识提取与冲突缓解能力。
2025-03-04 cs.CL
Improving End-to-End Training of Retrieval-Augmented Generation Models via Joint Stochastic Approximation
Speech Processing and Machine Intelligence (SPMI) Lab, Tsinghua University, China（清华大学语音处理与机器智能实验室）；TasiTech Co., Ltd., China（TasiTech有限公司）
本文提出JSA-RAG方法，通过联合随机近似提升检索增强生成模型的端到端训练效果，在五个数据集上表现优于传统RAG和VRAG。
2026-04-22 cs.CL
RADIANT: Retrieval AugmenteD entIty-context AligNmenT -- Introducing RAG-ability and Entity-Context Divergence
AI Institute, University of South Carolina（南卡罗来纳大学人工智能研究所）；Meta；Amazon GenAI（亚马逊生成式人工智能）
针对LLM在检索增强生成中事实不一致的问题，提出实体-上下文发散度指标和Radiant框架，通过扩展DPO优化证据整合，提升RAG能力并减少幻觉。
2025-09-06 cs.CL
Does RAG Introduce Unfairness in LLMs? Evaluating Fairness in Retrieval-Augmented Generation Systems
Santa Clara University（圣克拉拉大学）；DOCOMO Innovations, Inc.（docomo创新公司）；Rochester Institute of Technology（罗切斯特理工学院）
本文提出针对检索增强生成系统的公平性评估框架，实证发现公平性问题在检索和生成阶段依然存在，强调需全流程干预。
2025-03-27 cs.CL
Evaluation of Semantic Search and its Role in Retrieved-Augmented-Generation (RAG) for Arabic Language
Maqsam（马克萨姆）
针对阿拉伯语语义搜索缺乏标准基准的挑战，本文提出了一个简单有效的基准，并在检索增强生成（RAG）框架内评估了语义搜索指标与数据集的有效性。
2024-05-30 cs.CL
RAGOCR: Optical Compression of Retrieval-Augmented Text via Visual Representation
Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所）
该研究针对RAG压缩的权衡问题，提出RAGOCR框架，通过查询感知动态分辨率机制压缩检索文档为视觉表征，在五个QA基准上实现比朴素RAG更高准确率和更低token需求，且优于各类压缩基线。
2026-08-04 cs.CL
Personalizing Student-Agent Interactions Using Log-Contextualized Retrieval-Augmented Generation (RAG)
1Department of Computer Science, Vanderbilt University, Nashville, USA 2College of Engineering \& Science, University of Detroit Mercy, Detroit, USA 3The School for Science；Math, Vanderbilt University, Nashville, USA
本文提出日志上下文化检索增强生成（LC-RAG）方法，通过环境日志增强协作对话的检索能力，使协作同伴代理Copa能提供个性化指导，支持学生在C2STEM环境中的批判性思维和知识决策。
2026-04-18 cs.CL
Training-Free BioNEL-RAG: Advancing Biomedical Entity Linking through Retrieval-Augmented Generation and Large Language Model
University of Science and Technology of China（中国科学技术大学）；School of Biomedical Engineering（生物医学工程学院）；Division of Life Sciences and Medicine（生命科学与医学部）；Department of Precision Machinery and Precision Instruments（精密机械与精密仪器系）
该研究针对现有生物医学实体链接方法跨领域适应性差的问题，提出无需训练的BioNEL-RAG框架，结合RAG与LLM，在无需子领域微调的情况下实现了与现有方法相当的性能。
2026-10-14 cs.CL
RQ-RAG: Learning to Refine Queries for Retrieval Augmented Generation
Hong Kong University of Science and Technology（香港科技大学）；Hong Kong Polytechnic University（香港理工大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出RQ-RAG方法，通过让模型学习对查询进行重写、分解和消歧，提升检索增强生成在模糊或复杂问题上的表现，并在多个问答数据集上超越已有最优方法。
2024-03-31 cs.CL
Knowledge Augmented Finetuning Matters in both RAG and Agent Based Dialog Systems
EE Department, Tsinghua University（清华大学电子工程系）；China Mobile Research Institute（中国移动研究院）
针对LLMs在知识密集型对话中难以有效利用检索知识的问题，提出知识增强微调（KAFT）方法，在RAG和agent系统中利用领域数据与外部知识微调模型，实验证明其事实准确性显著优于提示方法。
2025-06-28 cs.CL
TA-RAG: Tone Awareness as a Design Imperative for Retrieval-Augmented Generation
Swinburne University of Technology（斯威本科技大学）
该研究针对标准RAG系统存在的语境脱耦问题，提出TA-RAG框架，将交流对齐与事实准确性并列为核心设计目标，明确语气感知是高风险语境下RAG系统的设计要务。
2026-08-10 cs.CL
How to Build an Adaptive AI Tutor for Any Course Using Knowledge Graph-Enhanced Retrieval-Augmented Generation (KG-RAG)
The Education University of Hong Kong（香港教育大学）；The University of Adelaide（阿德莱德大学）；Wuhan University of Technology（武汉理工大学）
针对LLMs集成到ITS中的事实准确性和上下文感知指导挑战，提出KG-RAG框架，结合结构化知识与上下文检索，通过实验验证能显著提升学习效果，为构建任意课程的自适应AI导师提供方案。
2025-02-12 cs.CL
Don't Do RAG: When Cache-Augmented Generation is All You Need for Knowledge Tasks
National Chengchi University（国立政治大学）；Academia Sinica（中央研究院）
本文提出缓存增强生成（CAG）作为检索增强生成（RAG）的替代方案，通过预加载知识到长上下文LLM并缓存参数，消除检索延迟和错误，在受限知识库任务中实现更高效且相当或更优的性能。
2025-02-23 cs.CL
PIKE-RAG: sPecIalized KnowledgE and Rationale Augmented Generation
Microsoft Research Asia（微软亚洲研究院）
PIKE-RAG针对工业应用中RAG系统仅靠检索难以完成深层专业知识提取与逻辑推理的问题，提出知识原子化与知识感知任务分解方法，通过构建连贯推理链逐步引导大语言模型，并在多个基准上取得优异表现。
2025-03-12 cs.CL
Curriculum Guided Reinforcement Learning for Efficient Multi Hop Retrieval Augmented Generation
University of Pittsburgh（匹兹堡大学）；Google Cloud AI Research（谷歌云人工智能研究）
本文提出EVO-RAG，一种课程引导的强化学习框架，通过动态奖励调度优化多跳RAG的查询重写，在四个基准上提升精确匹配达4.6点并减少15%检索深度。
2025-05-23 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
RAGVUE: A Diagnostic View for Explainable and Automated Evaluation of Retrieval-Augmented Generation
University of Luxembourg（卢森堡大学）
RAGVUE通过分解RAG行为并提供结构化解释，实现无参考的自动评估，揭示RAG流程中的细粒度失败。
2025-12-03 cs.CL cs.IR
Visual-RAG: Benchmarking Text-to-Image Retrieval Augmented Generation for Visual Knowledge Intensive Queries
Visual-RAG基准通过要求文本到图像检索并整合视觉证据来评估多模态大语言模型在视觉知识密集型问答中的表现，发现现有模型仍难以高效利用视觉知识。
2025-08-15 cs.CL cs.CV
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
RAGChecker: A Fine-grained Framework for Diagnosing Retrieval-Augmented Generation
Amazon AWS AI（亚马逊AWS人工智能）；Shanghai Jiaotong University（上海交通大学）；Westlake University（西湖大学）
针对RAG系统因模块化、长文本评估等导致全面评估困难的问题，提出细粒度诊断框架RAGChecker，配备检索与生成模块诊断指标，相关性优于现有指标，可指导RAG系统开发，已开源。
2024-08-17 cs.AI cs.CL
RAGViz: Diagnose and Visualize Retrieval-Augmented Generation
School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院）
提出RAGViz工具，可视化RAG中令牌对检索文档的关注度，支持文档增删对比，高效运行，开源可用。
2024-11-04 cs.AI cs.CL
RAG-Boost: Retrieval-Augmented Generation Enhanced LLM-based Speech Recognition
School of Engineering（工程学院）
针对MLC-SLM挑战赛任务I的LLM语音识别系统，提出RAG-Boost方法，通过动态集成RAG模块查询向量存储库并融合检索结果与ASR假设，输入LLM以修正错误、提升识别效果。
2025-08-05 cs.CL eess.AS
M-RAG: Reinforcing Large Language Model Performance through Retrieval-Augmented Generation with Multiple Partitions
Huawei Technologies, Co., Ltd.（华为技术有限公司）
本文提出M-RAG，一种基于多分区数据库的检索增强生成范式，利用多智能体强化学习优化大语言模型，在摘要、翻译和对话任务上分别提升11%、8%和12%。
2024-05-26 cs.CL cs.IR
