Evaluating Chunking Strategies for Retrieval-Augmented Generation on Academic Texts
研究在检索增强生成系统中，基于聚类的语义分块是否优于固定大小和递归分块，通过RAGAs框架在长结构化学术论文上评估检索和答案质量，发现聚类分块未超越简单策略。
2026-07-03 cs.AI cs.CL cs.IR
Deepchecks: Evaluating Retrieval-Augmented Generation (RAG)
Deepchecks, Ramat Gan, Israel（深检查，以色列拉马特甘）；Ben-Gurion University, Beer Sheva, Israel（本· Gurion大学，以色列贝尔谢巴）
本文提出Deepchecks框架，用于评估RAG系统，通过多维方法和根本原因分析，提升系统可靠性、相关性和用户满意度。
2026-05-14 cs.AI
ISO-RAG: Isoperimetric Noise Control for Retrieval-Augmented Generation
University of Technology Sydney（悉尼科技大学）；University of New South Wales（新南威尔士大学）
针对传统RAG在多跳问答中存在的语义漂移与延迟问题，提出几何感知的ISO-RAG框架，通过双曲庞加莱球投影与拓扑纯化优化检索，在多跳QA基准上实现准确率与效率的双重提升。
2026-09-02 cs.AI
Stateful Evidence-Driven Retrieval-Augmented Generation with Iterative Reasoning
本文提出一种具有迭代推理的有状态证据驱动检索增强生成框架，通过逐步积累证据提升问答稳定性与鲁棒性，在多个基准测试中表现出色。
2026-03-25 cs.AI cs.CL
A Systematic Study of Retrieval Pipeline Design for Retrieval-Augmented Medical Question Answering
Department of Mechatronics & Industrial Engineering, Chittagong University of Engineering & Technology（吉大港工程与技术大学机电与工业工程系）；Department of Mechanical Engineering, Chittagong University of Engineering & Technology（吉大港工程与技术大学机械工程系）
本文系统评估了检索增强医疗问答的性能，发现检索增强显著提升了零样本医疗问答效果，最佳配置为密集检索加查询改写和重排序，准确率达60.49%。
2026-04-08 cs.AI cs.CL cs.LG
CricRAG: Retrieval Augmented Vision-Language Models for Personalized Cricket Coaching
IISER Bhopal（博帕尔印度科学教育与研究院）；IIT Jodhpur（焦特布尔印度理工学院）
CricRAG通过检索相似但更优的技术作为参考，使视觉语言模型提供符合技能水平的个性化板球教练反馈，实现了94%的专业评估一致性。
2026-09-23 cs.AI cs.CV
Abductive Inference in Retrieval-Augmented Language Models: Generating and Validating Missing Premises
Independent Researcher, Mountain View, CA94039, USA（独立研究者）
本文提出将溯因推理集成到检索增强语言模型中，通过检测证据不足、生成并验证缺失前提，在多个基准上提升了答案准确性与推理忠实度。
2025-11-06 cs.AI cs.CL
Predictive Prefetching for Retrieval-Augmented Generation
Department of Computer Science, University of Massachusetts Boston（马萨诸塞大学波士顿分校计算机科学系）
本文提出了一种先进的异步检索框架，通过预测检索触发时机和所需信息，以减少延迟并提高生成效率，同时保持回答质量。
2026-05-18 cs.AI cs.CL
Beyond the Parameters: A Technical Survey of Contextual Enrichment in Large Language Models: From In-Context Prompting to Causal Retrieval-Augmented Generation
本文综述了大型语言模型中通过增加结构化上下文来提升性能的技术，涵盖上下文学习、提示工程、检索增强生成等方法，并提出透明的文献筛选协议和可信检索增强NLP的研究优先级。
2026-04-03 cs.AI cs.CL
Retrieval-Augmented Generation with Hierarchical Knowledge
CSE, The Chinese University of Hong Kong（计算机科学与工程系，香港中文大学）
本文提出HiRAG，一种利用层级知识增强检索增强生成系统在索引与检索中语义理解和结构捕获能力的新方法，实验证明其性能显著优于现有最先进基线。
2025-09-26 cs.AI cs.CL
Exploring Retrieval Augmented Generation in Arabic
Newgiza University（新吉萨大学）
针对阿拉伯语RAG应用研究不足的问题，本文通过全面案例研究探索检索阶段的多种语义嵌入模型与生成阶段的若干LLM，还涉及方言差异问题，证实现有模型可有效构建阿拉伯语RAG流水线。
2024-08-14 cs.AI cs.CL
MedBioRAG: Semantic Search and Retrieval-Augmented Generation with Large Language Models for Medical and Biological QA
Seonok Kim（独立研究者）
MedBioRAG通过结合语义搜索、文档检索和监督微调，提升医学和生物学问答任务的性能。
2025-12-10 cs.AI cs.CL
Understanding Retrieval-Augmented Task Adaptation for Vision-Language Models
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文系统研究了检索增强适应中单模态与跨模态检索的作用，揭示logit集成的关键性，并给出理论支撑，为视觉-语言模型在低数据场景下的适应提供新见解。
2024-05-02 cs.AI cs.CV cs.LG
Unraveling and Mitigating Retriever Inconsistencies in Retrieval-Augmented Large Language Models
Harbin Institute of Technology（哈尔滨工业大学）；XVERSE Technology Inc.（XVERSE科技公司）
本文揭示了检索增强型大语言模型中存在的检索器不一致性问题，通过理论分析退化行为成因，提出了可训练的检索器集成框架EoR，自适应检索多知识源以减少阅读器错误，显著提升了开放域问答性能。
2025-03-06 cs.AI cs.CL
Retrieval Augmented Generation and Representative Vector Summarization for large unstructured textual data in Medical Education
University of Peradeniya（佩拉德尼亚大学）
本文探讨了检索增强生成在医学教育领域的应用，并提出了一种基于代表性向量、结合抽取式与抽象式的大型非结构化文本数据摘要方法。
2023-08-01 cs.AI cs.CL
Retrieval-Augmented Large Language Models for Evidence-Informed Guidance on Cannabidiol Use in Older Adults
Lawrence Bloomberg Faculty of Nursing, University of Toronto（多伦多大学劳伦斯·布隆伯格护理学院）；KITE Research Institute, Toronto Rehabilitation Institute, University Health Network（大学健康网络多伦多康复研究所KITE研究所）；College of Engineering and Technology, American University of the Middle East（中东美国大学工程与技术学院）
本文提出一种结合结构化提示工程与大麻二酚证据的检索增强型大型语言模型框架，用于为老年人提供安全指导，同时开发了无标注评估框架以评估AI在敏感健康场景中的可靠性。
2026-01-16 cs.AI cs.IR
Web Retrieval-Aware Chunking (W-RAC) for Efficient and Cost-Effective Retrieval-Augmented Generation Systems
AI Research Team, Yellow.ai（Yellow.ai AI研究团队）
本文提出W-RAC，一种针对网页文档的高效分块框架，通过分离文本提取与语义分块规划，减少LLM token消耗，提升系统可观察性。
2026-01-08 cs.AI cs.IR
Adversarial Threat Vectors and Risk Mitigation for Retrieval-Augmented Generation Systems
Fire Mountain Labs
本文分析了检索增强生成（RAG）系统面临的提示注入、数据投毒和对抗性查询操纵等主要对抗威胁，并从风险管理视角提出了包含输入验证、对抗训练和实时监控的优先控制列表以缓解风险。
2025-05-30 cs.AI cs.CR
A Systematic Evaluation of Retrieval-Augmented Generation and Language Models for Space Operations
NOVA LINCS；Neuraspace；Technical University of Munich（慕尼黑技术大学）
本文系统评估了结合大语言模型与信息检索技术的检索增强生成管道在太空操作中提取和综合领域知识的效果，比较了不同检索策略、嵌入模型和LLM回答对信息准确性、相关性和可靠性的影响。
2026-05-23 cs.AI cs.IR
E2E-AFG: An End-to-End Model with Adaptive Filtering for Retrieval-Augmented Generation
Advanced Institute of Information Technology, Peking University（北京大学信息技术高等研究院）
本文提出端到端自适应过滤模型E2E-AFG，将答案存在性判断与文本生成统一到同一框架中，以降低检索不相关信息的影响，并在六个知识密集型数据集上验证了其优于基线模型的效果。
2025-05-08 cs.AI cs.CL
Enhancing Retrieval-Augmented Generation with Topic-Enriched Embeddings: A Hybrid Approach Integrating Traditional NLP Techniques
National University of Tierra del Fuego（泰德菲国立大学）
本文提出一种整合传统NLP技术的混合方法，通过主题增强嵌入提升检索增强生成系统的检索精度和语义聚类效果。
2025-12-31 cs.AI cs.IR
Retrieval-Augmented VLMs for Multimodal Melanoma Diagnosis
Handong Global University（-handong全球大学）
针对黑色素瘤诊断中VLM缺乏临床特异性的问题，提出检索增强VLM框架，通过纳入相似病例提示实现无需微调的准确分类与错误纠正，显著优于传统基线。
2025-09-10 cs.AI cs.CV cs.LG
Improving Context Fidelity via Native Retrieval-Augmented Reasoning
DIRO, Université de Montréal（蒙特利尔大学计算机科学与运筹学系）；MetaGPT；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；McGill University（麦吉尔大学）；Yale University（耶鲁大学）；Canada CIFAR AI Chair（加拿大CIFAR人工智能教席）
提出原生检索增强推理框架CARE，通过模型自身检索能力在推理链中显式整合上下文证据，显著提升了LLMs的上下文保真度及知识密集型任务的准确性。
2025-09-17 cs.AI cs.CL
Private Retrieval Augmented Generation via Random Projection
University of Chicago（芝加哥大学）
本文针对RAG系统的数据存储库隐私风险，提出基于随机投影的轻量方法，在保留语义相似性的同时缓解数据提取攻击，性能优于差分隐私方法，可作为隐私保护RAG的实用基线。
2026-10-16 cs.AI cs.CR
Reliable Decision Making via Calibration Oriented Retrieval Augmented Generation
KAIST（韩国科学技术院）；Kookmin University（韩国釜山大学）
针对LLM在决策中可能提供错误信息的问题，提出CalibRAG检索方法，通过确保RAG决策校准良好，提升校准性能与准确性。
2025-10-15 cs.AI cs.IR
The Effect of Text Chunk Size on Retrieval-Augmented Generation Performance
Milwaukee School of Engineering（密尔沃基工程学院）
研究文本块大小对检索增强生成性能的影响，评估其与检索段数量如何影响生成质量和检索效果，通过比较配置，以更好理解文档分割对检索增强生成系统性能和效率的作用。
2026-07-29 cs.AI cs.CL cs.IR
Retrieval-Augmented LLM Agents: Learning to Learn from Experience
NAVER LABS Europe（NAVER实验室欧洲）
本文提出结合微调与经验检索的方法，通过LoRA优化SFT流程，分析经验检索关键设计，提出整合经验检索的训练流程，提升代理对新任务的泛化能力。
2026-09-01 cs.AI cs.CL
GeAR: Graph-enhanced Agent for Retrieval-augmented Generation
Huawei Technologies Co., Ltd.（华为技术有限公司）
GeAR通过图扩展机制增强基础检索器，并集成智能体框架实现多步检索，在MuSiQue等数据集上取得超10%的性能提升。
2025-06-22 cs.AI cs.CL cs.IR
MultiHedge: Adaptive Coordination via Retrieval-Augmented Control
The Faculty of Electronics and Information Technology（电子与信息技术学院）
本文提出MultiHedge框架，通过检索增强的LLM协调提升模块化决策系统的鲁棒性，实验表明记忆增强比单纯扩大模型规模更有效。
2026-04-27 cs.AI cs.MA
A Survey of Multimodal Retrieval-Augmented Generation
Huawei Cloud BU（华为云业务部）
本综述聚焦多模态检索增强生成（MRAG），其扩展纯文本RAG框架整合多模态数据以增强LLMs，减少幻觉并提升问答系统性能，还总结其组件、数据集等，指出挑战与未来方向。
2025-03-26 cs.AI cs.CL cs.ET
Remote Sensing Retrieval-Augmented Generation: Bridging Remote Sensing Imagery and Comprehensive Knowledge with a Multi-Modal Dataset and Retrieval-Augmented Generation Model
School of Cyber Science and Technology, University of Science and Technology of China（信息科学技术学院，中国科学技术大学）；China Academy of Electronics and Information Technology（电子信息技术研究院）
本文提出RS-RAG框架，通过多模态数据集和检索增强生成模型，提升遥感图像与综合知识的连接能力，有效提升复杂查询的语义推理性能。
2026-02-12 cs.AI cs.CV
RAGE Against the Machine: Retrieval-Augmented LLM Explanations
University of Waterloo（滑铁卢大学）；York University（约克大学）
本文提出RAGE，一个交互式工具，通过反事实分析和剪枝方法解释检索增强的大语言模型，帮助用户识别影响答案的关键上下文并查看答案来源。
2024-05-11 cs.AI cs.CL cs.IR
Fast or Better? Balancing Accuracy and Cost in Retrieval-Augmented Generation with Flexible User Control
Cornell University（康奈尔大学）；Adobe Research（Adobe研究）；Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学）
针对RAG中检索成本与准确性难以按用户需求调节的问题，提出由准确性和效率两个分类器及参数$α$控制的用户可控框架，实现二者的动态平衡。
2025-07-27 cs.AI cs.IR
Similarity is Not All You Need: Endowing Retrieval Augmented Generation with Multi Layered Thoughts
Ant Group（蚂蚁集团）
针对检索增强生成中过度依赖相似性导致性能下降的问题，提出MetRag框架，通过结合相似性与效用导向思想并利用LLM作为任务自适应摘要器提供紧凑性思想，显著提升了知识密集型任务的性能。
2024-05-30 cs.AI cs.CL cs.LG
Beyond Independent Passages: Adaptive Passage Combination Retrieval for Retrieval Augmented Open-Domain Question Answering
National Taiwan University（国立台湾大学）；Amazon Search（亚马逊搜索）；University College London（伦敦大学学院）
本文提出自适应段落组合检索框架AdaPCR，通过将段落组合作为检索与重排序单元来建模段落间依赖，并结合上下文感知查询改写和答案似然对齐的重排序训练，在无需停止模块的情况下自适应选择段落数量，从而在开放域问答尤其是多跳推理中优于基线方法。
2025-07-05 cs.AI cs.CL cs.LG
R^2AG: Incorporating Retrieval Information into Retrieval Augmented Generation
School of Computer Science, South China Normal University（华南师范大学计算机学院）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
针对大语言模型与检索器间的语义鸿沟问题，提出新型增强RAG框架R^2AG，通过R^2-Former捕获检索信息并结合检索感知提示策略，在低资源冻结场景下经五个数据集验证有效提升生成效果。
2024-10-30 cs.AI cs.CL cs.IR
RAVEN: Multitask Retrieval Augmented Vision-Language Learning
Princeton University（普林斯顿大学）；AWS AI Labs（AWS人工智能实验室）；Apple（苹果公司）
本文提出多任务检索增强VLM框架RAVEN，通过高效任务特定微调整合检索样本，无需额外参数即提升图像描述和VQA性能。
2024-06-27 cs.AI cs.CV cs.IR
A Statistical Framework for Data-dependent Retrieval-Augmented Models
Google（谷歌公司）
本文提出了一个统计框架来研究包含检索器和预测器的数据依赖检索增强模型，提供了端到端训练方法并建立了超额风险界限，在开放域问答任务上验证了其有效性和统计分析结论。
2024-08-27 cs.AI cs.CL cs.LG
Hybrid-RACA: Hybrid Retrieval-Augmented Composition Assistance for Real-time Text Prediction
Microsoft（微软）
本文提出Hybrid-RACA系统，通过检索增强记忆结合云端大模型与客户端小模型，并采用异步记忆更新机制，在五个数据集上实现了低延迟的高性能实时文本预测。
2024-10-12 cs.AI cs.CL cs.DC
PIR-RAG: A System for Private Information Retrieval in Retrieval-Augmented Generation
University of Washington（华盛顿大学）；University of Central Florida（中央佛罗里达大学）
针对RAG中用户查询暴露的隐私风险，提出PIR-RAG系统，采用粗粒度语义聚类剪枝搜索空间与基于格的PIR协议，实现高效私密检索，并在端到端延迟上优于现有基线。
2025-09-01 cs.AI cs.CR cs.IR
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
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
PersianRAG: A Retrieval-Augmented Generation System for Persian Language
University of Isfahan（伊斯法罕大学）；ADAPT Research Centre（ADAPT研究中心）；Dublin City University（都柏林城市大学）
本文提出PersianRAG，一个面向波斯语的检索增强生成系统，通过解决预处理、嵌入、检索等挑战，在多个基准数据集上提升了波斯语问答性能。
2024-11-06 cs.AI cs.CL cs.IR
WavRAG: Audio-Integrated Retrieval Augmented Generation for Spoken Dialogue Models
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）；Beijing University of Technology（北京工业大学）
本文提出端到端原生音频RAG框架WavRAG，通过WavRetriever直接检索原始音频并统一文本-音频知识，在性能相当的情况下较ASR-Text流程提速10倍。
2025-02-20 cs.AI cs.SD eess.AS
To Retrieve or Not to Retrieve? Uncertainty Detection for Dynamic Retrieval Augmented Generation
Emory University（埃默里大学）
针对确定性检索不适用于长问答的问题，研究探索多种不确定性检测方法以实现动态检索增强生成，发现相关指标可在问答准确率仅略有下降的情况下将检索调用次数减少近一半，提升了检索效率。
2025-03-18 cs.AI cs.CL cs.IR
Graph-Enhanced Retrieval-Augmented Question Answering for E-Commerce Customer Support
Microsoft（微软）
本文提出一种结合知识图谱与检索增强生成的框架，通过融合结构化子图与文本文档进行答案合成，显著提升了电子商务客户支持问答的事实准确率与用户满意度。
2025-09-15 cs.AI cs.CL cs.IT
Retrieval Augmented Thought Process for Private Data Handling in Healthcare
University of Cambridge（剑桥大学）
本文提出检索增强思维过程（RATP），将LLM思维生成建模为多步决策过程，结合蒙特卡洛树搜索与代理奖励函数，在私有电子病历问答任务上相比上下文检索增强生成提升35%准确率。
2024-08-07 cs.AI cs.CL cs.IR
AugmentedCode: Examining the Effects of Natural Language Resources in Code Retrieval Models
Fujitsu Research of America（富士通美国研究院）；North Carolina State University（北卡罗来纳州立大学）；Fujitsu Research Ltd.（富士通研究有限公司）
代码检索允许软件工程师通过自然语言查询来搜索代码，这依赖于自然语言处理和软件工程技术。在代码检索方面，已经有几次尝试，从搜索片段代码到函数代码。本文介绍了增强代码检索（AugmentedCode），它利用代码中已有的信息，构造增强的程序设计语言来提高代码检索模型的性能。我们策划了一个大型的Python语料库，并展示了增强程序设计语言的框架和结果，该语言在CodeSearchNet和CodeBERT上的表现优于平均倒数排名（MRR）分别为0.73和0.96。性能更好的微调增强代码检索模型发表在https://huggingface.co/Fujitsu/AugCode的HuggingFace上，演示视频可在https://youtu.be/mnZrUTANjGs上获得。
2021-10-16 cs.AI cs.SE
When More Retrieval Hurts: Retrieval-Augmented Code Review Generation
LIACS Leiden University（莱顿大学 LIACS）；CLCG University of Groningen（格罗宁根大学 CLCG）
本文提出RARe框架，通过检索历史审查作为上下文示例提升代码审查生成质量，实验表明仅使用top-1检索效果最佳，过多检索反而导致性能下降。
2026-03-24 cs.SE
Generation-Augmented Query Expansion For Code Retrieval
Kent State University（肯特州立大学）；Microsoft（微软）；Georgia Institute of Technology（佐治亚理工学院）
预先训练的语言模型在代码检索任务中取得了很大的成功，其中给出了自然语言文档查询以找到最相关的现有代码片段。然而，现有的模型只关注优化的文档代码对嵌入到潜在的空间，没有外部知识的关联。在本文中，我们提出了一个生成增强的查询扩展框架。受人类检索过程的启发--在搜索之前先勾画出答案，在这项工作中，我们利用强大的代码生成模型来帮助代码检索任务。具体来说，我们证明了，而不是仅仅根据文档查询检索目标代码片段，这将是有帮助的，以增加其生成对应的文档查询-从代码生成模型生成的代码片段。据我们所知，这是第一次尝试利用代码生成模型来增强代码检索任务。我们在CodeSearchNet基准测试中取得了新的最先进的结果，并大大超过了基线。
2022-12-20 cs.AI cs.CL cs.SE
Retrieval Augmented Code Generation and Summarization
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Columbia University（哥伦比亚大学）
软件开发人员在软件开发过程中编写了大量的源代码和文档。本质上，开发人员经常回忆他们过去在实现软件或编写文档时编写的部分源代码或代码摘要。为了模仿开发人员的代码或摘要生成行为，我们提出了一个检索增强框架，REDCODER，检索相关的代码或摘要从检索数据库，并提供它们作为补充代码生成或摘要模型。Redcoder有几个独特之处。首先，它扩展了最先进的稠密检索技术，以搜索相关代码或摘要。其次，它可以与包括单峰（仅代码或自然语言描述）或双峰实例（代码描述对）的检索数据库一起工作。我们进行了实验和广泛的分析，在Java和Python的代码生成和摘要的两个基准数据集，和有前途的结果认可我们提出的检索增强框架的有效性。
2021-09-10 cs.CL cs.SE
An Empirical Study of Retrieval-Augmented Code Generation: Challenges and Opportunities
本研究实证评估了检索增强框架对代码生成的影响，发现其能提升预训练模型性能，并推荐BM25和顺序集成融合等高效利用方式，同时探讨了性能与成本的权衡。
2025-01-23 cs.SE
Optimizing Retrieval Augmented Generation for Object Constraint Language
本研究针对手动编写OCL规则复杂耗时的问题，优化RAG以实现OCL规则自动生成，对比三种检索策略与PathOCL的性能，发现语义检索方法效果更优，高k值会因引入无关块降低性能，为OCL规则生成的检索配置优化提供了参考。
2025-05-19 cs.IR cs.SE
