DyG-RAG: Dynamic Graph Retrieval-Augmented Generation with Event-Centric Reasoning
Beihang University（北航大学）；Guangxi Normal University（广西师范大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
DyG-RAG提出以事件为中心的动态图检索增强生成框架，通过动态事件单元、事件图和时间思维链策略，解决大语言模型在时间敏感查询上的时间推理难题，并在时间问答基准上显著提升准确率与召回率。
2025-07-16 cs.CL cs.IR
MAIN-RAG: Multi-Agent Filtering Retrieval-Augmented Generation
Texas A&M University（德克萨斯农工大学）；Visa Research（Visa研究院）；Worcester Polytechnic Institute（伍斯特理工学院）；University of Utah（犹他大学）；University of Houston（休斯顿大学）
本文提出无需训练的多智能体过滤检索增强生成框架MAIN-RAG，通过多个LLM智能体协作过滤评分检索文档，并利用自适应阈值机制在保持高召回的同时降低噪声，在四个QA基准上实现2-11%的准确率提升。
2024-12-31 cs.CL cs.IR
Adaptive Retrieval-Augmented Generation for Conversational Systems
University of Sheffield（谢菲尔德大学）；University of Liverpool（利物浦大学）；University of Aberdeen（阿伯丁大学）；University College London（伦敦大学学院）
本文提出RAGate门控模型，通过建模对话上下文自适应判断每轮回复是否需要检索增强生成，实验证明其能提升回复质量与生成置信度。
2024-07-31 cs.CL cs.IR
Harnessing Retrieval-Augmented Generation (RAG) for Uncovering Knowledge Gaps
本研究提出利用RAG模型模拟用户搜索行为以发现互联网知识缺口的方法，验证其生成相关建议的准确率达93%，可应用于多领域，为后续工作提供指导。
2023-12-12 cs.AI cs.CL cs.IR
Query-Centric Graph Retrieval Augmented Generation
Huawei Technologies Co., Ltd（华为技术有限公司）
针对现有图RAG的粒度困境，提出查询中心图框架QCG-RAG，利用Doc2Query构建查询粒度图并实现多跳块检索，在LiHuaWorld和MultiHop-RAG上提升问答准确性。
2025-09-25 cs.CL cs.IR
Understanding Parametric Knowledge Injection in Retrieval-Augmented Generation
State Key Laboratory of AI Safety（人工智能安全国家重点实验室）；ICT, Chinese Academy of Sciences（中国科学院信息科技研究院）；University of Chinese Academy of Sciences（中国科学院大学）
本文研究了参数化RAG中的知识注入，发现结合传统和参数化方法（PT-RAG）在性能上最佳，同时揭示了其在知识冲突和鲁棒性方面的优势。
2026-01-24 cs.CL cs.IR
Towards a Search Engine for Machines: Unified Ranking for Multiple Retrieval-Augmented Large Language Models
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文提出uRAG框架，通过统一检索引擎服务多个下游RAG系统，并构建含36个RAG系统的大规模实验生态，以研究面向机器的搜索引擎的核心问题。
2024-04-30 cs.CL 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
Stochastic RAG: End-to-End Retrieval-Augmented Generation through Expected Utility Maximization
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Google（谷歌公司）
本文提出Stochastic RAG，将检索建模为无放回随机采样，并利用straight-through Gumbel-top-k实现端到端可微优化，在七个数据集中六个上取得最先进结果。
2024-05-05 cs.CL cs.IR cs.LG
RAGO: Systematic Performance Optimization for Retrieval-Augmented Generation Serving
ETH Zurich（苏黎世联邦理工学院）；Google（谷歌公司）；Google DeepMind（谷歌DeepMind）
针对RAG变体多、工作负载性能差异大导致的高效服务难题，该研究提出结构化抽象RAGSchema，分析不同负载性能差异，并推出系统优化框架RAGO，实现单芯片QPS最高2倍提升、首令牌时延降低55%。
2025-03-21 cs.AI cs.CL cs.DC
Blended RAG: Improving RAG (Retriever-Augmented Generation) Accuracy with Semantic Search and Hybrid Query-Based Retrievers
IBM（国际商业机器公司）
本文提出Blended RAG方法，通过融合稠密向量索引、稀疏编码器索引与混合查询策略提升检索准确性，在NQ、TREC-COVID及SQUAD等数据集上取得优于微调的效果。
2024-08-04 cs.AI cs.CL cs.IR
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
RAG Foundry: A Framework for Enhancing LLMs for Retrieval Augmented Generation
Intel Labs（英特尔实验室）
本文提出开源框架 RAG Foundry，将数据创建、训练、推理与评估集成为单一工作流，用于快速构建和实验 RAG 系统，并通过微调 Llama-3 和 Phi-3 在多个知识密集型数据集上验证了其有效性。
2024-08-05 cs.AI cs.CL cs.IR
Bridge-RAG: An Abstract Bridge Tree Based Retrieval Augmented Generation Algorithm
Peking University（北京大学）
针对检索增强生成中准确性和效率的挑战，提出Bridge-RAG框架，通过抽象桥树结构实现多级检索，并集成布谷鸟过滤器实现O(1)实体查找，在保持高准确率的同时将检索速度提升至1.9倍。
2026-05-28 cs.AI cs.CL cs.IR
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
Ragnarök: A Reusable RAG Framework and Baselines for TREC 2024 Retrieval-Augmented Generation Track
University of Waterloo（滑铁卢大学）；Snowflake Inc.（雪花公司）；Microsoft（微软公司）
本研究为推动RAG系统评估创新，推出TREC 2024 RAG赛道，构建可复用框架Ragnarök，发布开发主题与工业基准，推出众包成对测评的网页交互平台并开源相关资源，为RAG系统建立统一评估标准。
2024-06-24 cs.AI cs.CL cs.IR
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
InfoGain-RAG: Boosting Retrieval-Augmented Generation via Document Information Gain-based Reranking and Filtering
Kuaishou Technology, Beijing, China（快手科技，北京，中国）；Peking University, Beijing, China（北京大学，北京，中国）
本文提出文档信息增益（DIG）指标量化检索文档对答案生成的贡献，并构建InfoGain-RAG框架训练专门重排器以过滤无关文档，在多个基准上显著优于现有RAG方法。
2025-09-16 cs.AI cs.CL cs.IR
Towards Fair RAG: On the Impact of Fair Ranking in Retrieval-Augmented Generation
Carnegie Mellon University（卡内基梅隆大学）
本文首次系统评估了融合公平感知排序的RAG系统，在七个任务上实验十二个模型，证明公平检索能维持甚至提升排序与生成质量，并带来更均衡的来源归因，为构建公平RAG系统奠定基础。
2025-07-04 cs.AI cs.CL cs.IR
C-RAG: Certified Generation Risks for Retrieval-Augmented Language Models
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Delft University of Technology（代尔夫特理工大学）；Netflix Eyeline Studios；University of California, Berkeley（加州大学伯克利分校）；University of Chicago（芝加哥大学）
本文提出C-RAG框架，首次为检索增强语言模型（RAG）提供保形生成风险的理论认证与上置信界保证，并证明在检索模型与transformer质量非平凡时RAG能降低生成风险。
2024-07-30 cs.AI cs.CL cs.IR
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
Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG
Cleveland State University（克利夫兰州立大学）；Kent State University（肯特州立大学）；Northeastern University（东北大学）；Roux Institute at Northeastern University（东北大学鲁克斯研究所）；University of Agder (UiA)（阿格德尔大学）
本文综述了代理RAG系统，分析了其架构分类、设计权衡及应用，指出其在灵活性、可扩展性和上下文感知方面的优势，并探讨了未来研究方向。
2026-04-01 cs.AI cs.CL cs.IR
RAG-DIVE: A Dynamic Approach for Multi-Turn Dialogue Evaluation in Retrieval-Augmented Generation
University of Innsbruck（因斯布鲁克大学）；University of Hildesheim（希尔德斯海姆大学）；c.c.com Moser GmbH（c.c.com Moser公司）
RAG-DIVE通过动态模拟用户交互，评估多轮对话中检索增强生成系统的动态性能，提出对话生成、验证和评估三个核心组件，验证了其在动态交互中的有效性。
2026-01-30 cs.AI 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
Seeing Through the MiRAGE: Evaluating Multimodal Retrieval Augmented Generation
Johns Hopkins University（约翰霍普金斯大学）；Human Language Technology Center of Excellence（人类语言技术卓越中心）
提出MiRAGE框架，通过InfoF1和CiteF1指标评估多模态RAG的事实性和引用支持，并验证其与人工判断的一致性。
2026-09-17 cs.CL cs.CV cs.IR
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
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
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
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
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
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
RAGSmith: A Framework for Finding the Optimal Composition of Retrieval-Augmented Generation Methods Across Datasets
TOBB University of Economics and Technology（托布卡大学经济与技术学院）；Roketsan Inc.（罗克特兰公司）
提出RAGSmith框架，将RAG设计视为端到端架构搜索，通过遗传搜索联合优化检索与生成指标，在6个领域上平均比朴素基线提升3.8%，并发现向量检索加生成后反思的稳健骨干结构。
2025-11-03 cs.AI cs.CL cs.IR
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
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
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-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
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
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
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
Retail-GPT: leveraging Retrieval Augmented Generation (RAG) for building E-commerce Chat Assistants
本研究提出开源的Retail-GPT电商聊天助手，基于RAG技术实现产品推荐、购物车管理等功能，具备跨平台适配性，可充当虚拟销售代理并验证同类助手在零售场景的可行性。
2024-08-15 cs.AI cs.CL cs.HC
RAGBench: Explainable Benchmark for Retrieval-Augmented Generation Systems
Galileo Technologies Inc.（伽利略技术公司）
针对RAG系统缺乏统一评估标准和标注数据集的问题，该研究推出含10万条样本、覆盖5个行业领域的RAGBench基准，提出TRACe可解释评估框架，发现微调RoBERTa评估效果优于LLM类方法，助力RAG评估技术发展。
2025-01-16 cs.AI cs.CL
Plan*RAG: Efficient Test-Time Planning for Retrieval Augmented Generation
Aalto University（阿尔托大学）；Microsoft Research（微软研究院）
Plan*RAG 通过将推理计划构建为语言模型工作记忆外的有向无环图，实现结构化多跳推理、原子子查询检索和并行执行，在标准多跳推理基准上优于 RQ-RAG 和 Self-RAG，同时保持相近计算成本。
2025-02-04 cs.CL cs.LG
