Universal Pathologies, Conditional Consequences: A Triple-Robustness Analysis of RAG for Multi-Hop Traceability
Technische Hochschule Ingolstadt（英戈尔施塔特应用技术大学）
该研究通过三重鲁棒性分析，探究了不同嵌入器、语料库、评判器下GraphRAG与向量RAG的多跳可追溯性表现，发现过度引用具架构普遍性，忠实度后果受语料库影响，提出三重鲁棒性为可信RAG架构主张的最低标准。
2026-08-07 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
Beyond Static Retrieval: Opportunities and Pitfalls of Iterative Retrieval in GraphRAG
Michigan State University（密歇根州立大学）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）；University of Oregon（俄勒冈大学）
本文系统研究 GraphRAG 中迭代检索的成败条件，发现其能提升多跳推理和桥接文档排名，但受噪声与深度埋藏证据限制，进而提出 BDTR 框架重排桥接证据。
2025-09-29 cs.AI
GraphRAG-Bench: Challenging Domain-Specific Reasoning for Evaluating Graph Retrieval-Augmented Generation
The Hong Kong Polytechnic University（香港理工大学）；Tencent Youtu Lab（腾讯优图实验室）
GraphRAG-Bench是一个大规模领域特定基准，通过大学级多跳问题、多样化任务和全流程评估，严格检验GraphRAG模型的推理能力，并揭示图结构对推理提升的关键作用。
2025-06-20 cs.AI cs.CL
Use Graph When It Needs: Efficiently and Adaptively Integrating Retrieval-Augmented Generation with Graphs
The Hong Kong Polytechnic University（香港理工大学）
本文提出EA-GraphRAG框架，通过动态整合RAG和GraphRAG，根据查询复杂度灵活选择检索策略，提升处理混合场景的准确性和效率。
2026-02-03 cs.AI cs.CL
TopoGraphRAG-Bench: Evaluating Multimodal GraphRAG on Layout-Grounded Evidence Reasoning
North Carolina State University（北卡罗来纳州立大学）；University of North Texas（北德克萨斯大学）；University of Wyoming（怀俄明大学）
提出TopoGraphRAG-Bench，一个布局锚定的多模态GraphRAG基准，包含2,024个问题，评估系统在文本、图形和表格证据上的拓扑推理能力，发现多模态系统最强但仍需改进布局建模。
2026-10-08 cs.AI cs.CL
UnWeaving the knots of GraphRAG -- turns out VectorRAG is almost enough
Samsung AI Warsaw（三星AI华沙）
本文提出UnWeaver框架，通过LLM解构文档内容为跨chunk的实体，提升检索和生成的准确性与效率，实验表明向量RAG在成本上优于图式RAG。
2026-06-08 cs.AI cs.CL cs.IR
RAGU: A Multi-Step GraphRAG Engine with a Compact Domain-Adapted LLM
ITMO University（圣彼得堡国立信息技术机械与光学大学）；Novosibirsk State University（新西伯利亚国立大学）；Far Eastern Federal University（远东联邦大学）
研究针对现有GraphRAG系统问题，提出RAGU引擎，通过分离提取与合并多步处理知识图。核心方法包括两阶段提取等。贡献在于训练的Meno-Lite-0.1模型表现出色，在多方面超越其他模型，且RAGU安装简单、运行要求低并开源。
2026-07-14 cs.AI cs.CL
NS-ST-GraphRAG: Neuro-Symbolic Spatio-Temporal GraphRAG for Literary Knowledge Processing
Dalian Ocean University（大连海洋大学）
针对长篇文学叙事的信息处理挑战，提出NS-ST-GraphRAG神经符号时空GraphRAG框架，构建首个中国古典文学多跳问答基准Red-Chamber-QA，实验显示其机械答案复现率与语义判断准确率优于基线模型。
2026-09-07 cs.CL
Beyond Chunk-Local Extraction: Cross-Chunk Graph Augmentation for GraphRAG
School of Data Science and Engineering, East China Normal University（数据科学与工程学院，东华大学）
提出CrossAug方法，利用GNN引导的跨块图增强，在查询前离线补充GraphRAG索引中缺失的跨块关系，提升多跳和长文档问答性能。
2026-05-27 cs.CL
HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG
Shanghai Jiao Tong University, China（上海交通大学）
HELP通过HyperNode扩展和逻辑路径引导的证据定位策略，提升图RAG在准确性和效率之间的平衡，实现高效且准确的知识检索。
2026-02-24 cs.AI
Injecting Structured Biomedical Knowledge into Language Models: Continual Pretraining vs. GraphRAG
本文提出通过持续预训练和GraphRAG两种方法将结构化生物医学知识注入语言模型，提升其在生物医学领域的表现，实验显示BERTUMLS在知识密集型问答任务中表现优异，GraphRAG在PubMedQA和BioASQ上提升显著。
2026-04-03 cs.AI cs.CL cs.LG
GraphRAG-LTM: A Layered Threat Modeling Framework for Attacks on Graph Retrieval-Augmented Generation
Zhejiang University（浙江大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Great Bay University（大湾区大学）；Ant Group（蚂蚁集团）
该研究针对GraphRAG的证据路径攻击提出GraphRAG-LTM分层威胁建模框架，测试三类攻击者访问级别，实验验证了不同攻击手段对回答质量和事实检索的损害。
2026-10-15 cs.CL
Benchmarking Vector, Graph and Hybrid Retrieval Augmented Generation (RAG) Pipelines for Open Radio Access Networks (ORAN)
School of Electronic and Electrical Engineering（电子与电气工程学院）
针对ORAN领域LLM微调成本高的问题，本研究对向量、图和混合RAG管道进行基准测试，发现GraphRAG和混合GraphRAG在事实正确性等指标上优于传统RAG，为ORAN自主优化提供实用RAG方案。
2025-08-20 cs.AI cs.DC cs.ET
A Triple-Robustness Analysis of Retrieval-Augmented Generation for Multi-Hop Requirements Traceability
Turkish Aerospace Industries（土耳其航空航天工业公司）；Technical University of Munich（慕尼黑工业大学）
本文针对多跳需求可追溯性，开展三重鲁棒性分析，对比不同RAG架构、嵌入器等的表现，发现现有结论分歧的原因，提出需按该鲁棒性标准验证RAG架构主张。
2026-08-04 cs.CL cs.IR
T-GRAG: A Dynamic GraphRAG Framework for Resolving Temporal Conflicts and Redundancy in Knowledge Retrieval
Harbin Institute of Technology（哈尔滨工业大学）
提出T-GRAG，一种时间感知的动态GraphRAG框架，通过时间知识图谱、查询分解、三层检索等组件解决知识检索中的时间冲突与冗余，并在新基准Time-LongQA上显著优于现有方法。
2025-08-03 cs.AI
LADDER: Graph-Guided Diffusion Language Models for Efficient Multi-Hop Reasoning
Huazhong University of Science and Technology（华中科技大学）；Monash University（莫纳什大学）；Tencent Youtu Lab（腾讯优图实验室）
LADDER通过图引导的并行解码将扩散语言模型与图检索增强生成结合，利用事件驱动自时钟检索和动态图传播，在多跳问答中提升准确率并大幅降低延迟。
2026-09-22 cs.AI
LogicPoison: Logical Attacks on Graph Retrieval-Augmented Generation
Southwestern University of Finance and Economics（西南财经大学）；The Hong Kong Polytechnic University（香港理工大学）
本文提出LogicPoison攻击框架，通过逻辑推理而非注入虚假内容，破坏图检索增强生成系统中的拓扑结构，从而降低其性能。
2026-04-03 cs.AI cs.CL
Ex-GraphRAG: Interpretable Evidence Routing for Graph-Augmented LLMs
Tel Aviv University（特拉维夫大学）；Institute for AI, University of Stuttgart（人工智能研究所，斯图加特大学）；NVIDIA（英伟达）；Meta AI
本文提出Ex-GraphRAG，通过引入多变量图神经加法网络（M-GNAN）来解决图增强大语言模型中证据路由的可解释性问题，揭示了语义重要性与结构连通性之间的不匹配，对检索剪枝、上下文构建和失败诊断有重要影响。
2026-05-21 cs.AI cs.LG
EHRAG: Bridging Semantic Gaps in Lightweight GraphRAG via Hybrid Hypergraph Construction and Retrieval
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；The Hong Kong University of Science and Technology（香港科学与技术大学）
EHRAG通过构建融合结构与语义关系的超图，结合结构-语义混合检索机制，提升轻量级图RAG的语义关联能力，在保持线性索引复杂度的同时优于现有基线模型。
2026-04-21 cs.AI
HyperGraphPro: Progress-Aware Reinforcement Learning for Structure-Guided Hypergraph RAG
KAIST（韩国科学技术院）；Microsoft（微软）；Amazon（亚马逊）
HyperGraphPro通过结合语义相关性和图连接性，改进超图检索机制，采用基于进度的逐步策略优化，提升多步推理的准确性和生成质量。
2026-11-06 cs.CL
RLM-on-KG: Heuristics First, LLMs When Needed: Adaptive Retrieval Control over Mention Graphs for Scattered Evidence
WordLift
本文研究LLM在知识图谱探索中的优势，提出RLM-on-KG系统，通过实体优先多跳探索提升检索效果，发现LLM控制在证据分散时表现更优，且通过探索轨迹验证了结构化数据质量。
2026-04-18 cs.AI cs.IR
STAR: Semantic-Tuned and Tail-Adaptive Retriever for Graph-Augmented Generation
Shuai Li, Chen Huang, Duanyu Feng, Wenqiang Lei, See-Kiong Ng
本文提出STAR，一种用于图增强生成的语义调优和尾部适应检索器，通过结合token级交互学习和路径加权对比学习，解决图检索增强生成中的语义捷径偏差和长尾路径偏差问题，提升检索和生成性能。
2026-04-11 cs.AI cs.IR
OMD-GraphRAG: Enhancing GraphRAG with Ontology-Guided Extraction, Multi-Dimensional Clustering and Dual-Channel Fusion
Data Science & Artificial Intelligence Research Institute（数据科学与人工智能研究院）
提出OMD-GraphRAG框架，通过本体引导知识提取、多维社区聚类和双通道图检索融合，提升GraphRAG在复杂推理和多跳查询中的性能。
2026-05-26 cs.AI cs.IR
OpenSeeker: Democratizing Frontier Search Agents by Fully Open-Sourcing Training Data
Shanghai Jiao Tong University（上海交通大学）
OpenSeeker通过两项技术创新实现前沿性能，利用开源数据提升搜索代理能力，实验表明其在多个基准测试中表现优异，超越现有开源和工业竞争对手。
2026-03-16 cs.AI cs.CL
LiteRAG: Cost-Efficient Graph-Based Retrieval-Augmented Generation
Universitat Rovira i Virgili（罗维拉-威尔吉利大学）
LiteRAG通过查询条件算法探索和推理链构建，在保证多跳问答质量的同时，大幅降低延迟、成本和令牌使用。
2026-09-10 cs.AI cs.CL cs.IR
GraphSearch: An Agentic Deep Searching Workflow for Graph Retrieval-Augmented Generation
IDEA Research, International Digital Economy Academy（IDEA研究机构、国际数字经济学院）；Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；DataArc Tech Ltd.（DataArc科技有限公司）；Hithink RoyalFlush Information Network Co., Ltd（Hithink皇家Flush信息网络有限公司）
针对现有GraphRAG存在的浅层检索、结构图数据利用效率低的问题，提出具备双通道检索的模块化智能体深度搜索工作流GraphSearch，多基准实验验证其能提升答案准确率与生成质量。
2025-09-30 cs.CL
Hierarchical Lexical Graph for Enhanced Multi-Hop Retrieval
Queen's University（皇后大学）；Amazon（亚马逊）
本文提出三层 HLG 索引及 StatementGraphRAG、TopicGraphRAG 两种检索器，并构建多文档问答合成数据集，实验显示其较分块 RAG 平均相对提升 23.1%。
2025-06-09 cs.AI cs.CL cs.IR
Corpus-Guided Dual-Path Propagation for Graph Retrieval-Augmented Generation
College of Software Engineering, Southeast University（东南大学软件工程学院）；School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）；Key Laboratory of Computer Network and Information Integration (Southeast University) Ministry of Education（东南大学计算机网络与信息集成教育部重点实验室）
NexusRAG通过语料级实体邻域结构引导双路径传播，增强无关系图检索，在多跳问答基准上超越现有方法，证据召回率提升4.2-8.1个百分点。
2026-09-30 cs.CL
GraphRAFT: Retrieval Augmented Fine-Tuning for Knowledge Graphs on Graph Databases
Neo4j
针对大型语言模型处理私有知识图谱时易幻觉、现有GraphRAG方法检索流程低效或抽象的问题，提出GraphRAFT框架，通过检索增强微调使LLM生成正确Cypher查询，从图数据库中检索子图上下文，在两项问答任务中四项指标均显著优于SOTA模型。
2025-11-12 cs.CL cs.IR cs.LG
Cross-Granularity Hypergraph Retrieval-Augmented Generation for Multi-hop Question Answering
本文提出HGRAG方法，通过超图将细粒度实体与粗粒度段落进行跨粒度整合，结合结构关联和语义相似度检索，提升多跳问答性能并实现6倍检索加速。
2025-08-15 cs.AI cs.CL
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
Efficient Retrieval-Augmented Generation via Token Co-occurrence Graphs
Università Politecnica delle Marche（波尔蒂纳拉理工大学）；Università di Modena e Reggio Emilia（摩德纳和雷焦艾米利亚大学）
提出TIGRAG框架，利用滑动窗口共现统计构建Token共现知识图谱，结合图语义扩展和神经重排序实现多跳推理，在三个QA基准上优于稠密检索和图RAG方法，同时降低索引和推理开销。
2026-06-29 cs.CL cs.IR
Retrieval Augmented Generation of Literature-derived Polymer Knowledge: The Example of a Biodegradable Polymer Expert System
School of Computational Science and Engineering（计算科学与工程学院）；Georgia Institute of Technology（佐治亚理工学院）；Matmerize, Inc.（Matmerize公司）
本文提出基于检索增强生成的聚合物知识系统，通过构建结构化知识图谱和语义向量方法，提升生物降解聚合物领域的文献检索与推理能力。
2026-02-18 cs.AI cs.CE
Do We Still Need GraphRAG? Benchmarking RAG and GraphRAG for Agentic Search Systems
New York University Shanghai（上海纽约大学）
本文通过RAGSearch基准测试，评估了代理搜索系统对密集RAG和代表性的GraphRAG方法的影响，发现代理搜索显著提升了密集RAG性能，但在复杂多跳推理中GraphRAG仍具优势。
2026-04-01 cs.AI cs.IR
Don't Worry About Quality: Robust Multi-Hop Retrieval despite Issues in Knowledge Graphs
University of Electronic Science and Technology of China（电子科技大学）
本文针对GraphRAG中因知识图谱不完美导致的检索漂移和幻觉问题，提出CS-RAG框架，通过精细化检索和充分性检查来减少不准确的证据延续。
2026-10-31 cs.IR
Lost in Conversation or Lost in Translation? Diagnosing Multi-Turn Degradation in RAG
Texas A&M University（德克萨斯A&M大学）
研究发现多轮对话导致RAG系统性能显著下降，最高相对降幅达21%，不可靠性增加47%，并识别出两种失败模式：翻译扭曲检索查询或LLM未能综合跨轮证据。
2026-09-30 cs.AI cs.CL
LinearRAG: Linear Graph Retrieval Augmented Generation on Large-scale Corpora
The Department of Computing, Hong Kong Polytechnic University, Hong Kong SAR（香港理工大学计算机系）
本文提出LinearRAG框架，通过无关系的Tri-Graph层次图构建和两阶段检索策略，在不依赖关系抽取的情况下实现大规模语料库上可靠且经济的图检索增强生成，并在多个数据集上显著优于基线模型。
2025-11-09 cs.CL
Seed-Anchored Budget-Bounded Graph Rendering for Question Answering on Industry-Standard Power-Grid Information and Exchange Models
Electric Power Research Institute (EPRI)（电力研究院（EPRI））
该研究针对电网模型问答的上下文预算限制，提出种子锚定图渲染方法，在固定8000字符预算下使SmallGrid数据集准确率从0.450升至0.970，效果优于LightRAG等模型且避免LLM图构建令牌。
2026-09-03 cs.AI cs.IR cs.SY
CLAUSE: Agentic Neuro-Symbolic Knowledge Graph Reasoning via Dynamic Learnable Context Engineering
Independent Researcher（独立研究员）；School of Computer Science, The University of Sydney, Australia（悉尼大学计算机科学学院）；College of Computing & Data Science, Nanyang Technological University, Singapore（南洋理工大学计算与数据科学学院）
CLAUSE通过动态可学习上下文工程实现神经符号知识图谱推理，优化多跳问答的准确率、延迟和成本，减少子图增长和端到端延迟。
2026-03-31 cs.AI cs.CL
HyCE-RAG: Hypergraph Chain-of-Evidence Retrieval-Augmented Generation for Explainable Multi-hop Question Answering
University of Macau（澳门大学）；Shenzhen Kaihong Digital Industry Development Co., Ltd.（深圳开鸿数字产业发展有限公司）；University of New South Wales（新南威尔士大学）；Zhejiang University（浙江大学）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
研究可解释多跳问答，提出HyCE-RAG框架，将实体等组织成超边构建超图，经置信度传播和证据组装选择连接证据路径，评分时考虑多种因素，实验证明其在多方面优于标准和基于图的RAG基线，为复杂问答检索后推理提供新方向。
2026-07-28 cs.AI
LLM-Guided Planning for Multi-hop Reasoning over Multimodal Nuclear Regulatory Documents
提出LLM引导的规划方法，通过动态知识图谱状态和文档树工具，在多跳推理任务中实现81.5%准确率，显著优于无状态规划方法。
2026-06-28 cs.AI
LineageRAG: Harnessing GraphRAG by Constructing Evidence Lineages with Source Grounding
XiaoLab, Beijing University of Posts and Telecommunications（北京邮电大学）；Xi’an Jiaotong University（西安交通大学）
LineageRAG 针对现有 GraphRAG 未明确证据发现与源 grounding 关联的问题，构建带源 grounding 的证据谱系，在三个多跳问答数据集上较基线实现多项指标提升。
2026-08-18 cs.IR
PlugMem: A Task-Agnostic Plugin Memory Module for LLM Agents
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Tsinghua University（清华大学）；Microsoft Research（微软研究院）
PlugMem是一种通用记忆模块，通过知识中心的记忆图结构提升LLM代理在复杂任务中的记忆检索与推理能力。
2026-02-06 cs.AI cs.CL cs.IR
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
Retrieving Minimal and Sufficient Reasoning Subgraphs with Graph Foundation Models for Path-aware GraphRAG
Beihang University（北京航空航天大学）；University of Electronic Science and Technology of China（电子科技大学）；Guangxi Normal University（广西师范大学）
本文提出GFM-Retriever，通过图基础模型实现路径感知的子图检索，提升多跳问答任务的检索与生成性能。
2026-03-07 cs.IR
DOTRAG: Retrieval-Time Reasoning Along Paths
University of Michigan（密歇根大学）
本文提出DOTRAG，一种无需训练的图检索增强生成框架，通过将检索过程转化为路径上的推理，提高了多跳任务的性能。
2026-04-06 cs.AI cs.IR
Noesis: Bidirectional Graph-RAG with Adaptive Parallelism and Cross-Knowledge-Base Semantic Discovery
Alpha Cogs（阿尔法齿轮公司）
本文提出具备自适应并行性与跨知识库语义发现的双向图检索增强生成架构Noesis，通过四种算法解决现有Graph-RAG系统的三类局限，在HotpotQA数据集上超越GraphRAG，实现更优性能。
2026-08-18 cs.AI cs.IR
NodeRAG: Structuring Graph-based RAG with Heterogeneous Nodes
Columbia University（哥伦比亚大学）；University of Pennsylvania（宾夕法尼亚大学）；Lehigh University（里海大学）
针对当前基于图的RAG方法忽视图结构设计导致性能下降的问题，提出NodeRAG框架，通过引入异质图结构实现图方法与RAG工作流程的无缝集成，在索引、查询效率及多跳问答性能上优于GraphRAG等现有方法。
2025-04-15 cs.AI
Towards Faithful Industrial RAG: A Reinforced Co-adaptation Framework for Advertising QA
Tencent（腾讯）
本文提出了一种强化共适应框架，通过图感知检索和证据约束强化学习，提升工业广告问答的准确性、完整性和安全性，减少幻觉率。
2026-02-26 cs.CL
Locate, Judge, Read: Role-Specialized Tool Agents over a Knowledge-Point Index for Open-Domain Multimodal Document QA
Metask Lab（Metask实验室）
本文提出KnowForge，一种按职责划分的多智能体流水线，在M3DocVQA、MultiHop-RAG等基准上显著优于现有RAG方法，实现了开放域多模态文档问答性能提升。
2026-10-12 cs.AI cs.CL cs.IR
EvLink: Source-Grounded Evidence Linking for Graph RAG
China Mobile Communications Group Shaanxi Co., Ltd.（中国移动通信集团陕西有限公司）；Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（西安交通大学人工智能与机器人研究所）
针对GraphRAG中图可达性不足以支持证据的问题，提出EvLink证据链接检索器，通过源基础证据链接和两阶段检索策略，在多跳问答基准上平均提升R@5 2.4、EM 1.9和F1 2.4。
2026-09-25 cs.IR
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
The Commercial Tax: Rent-vs-Own Blind Spots in Multi-Hop Retrieval Benchmarks
Columbia University（哥伦比亚大学）；New York Institute and Laboratory for Artificial Intelligence（纽约人工智能研究所与实验室）；SGX Analytics（SGX分析公司）
该研究指出多跳检索基准存在商业部署许可与成本信息盲区，发现NVIDIA Nemotron-3-Embed-8B是首个与开源基准性能持平的商业许可嵌入模型，并量化了索引成本差异。
2026-08-18 cs.CL cs.IR
