RAG / 检索增强生成

Spatially-Enhanced Retrieval-Augmented Generation for Walkability and Urban Discovery

空间增强的检索增强生成用于步行性和城市探索

Maddalena Amendola, Chiara Pugliese, Raffaele Perego, Chiara Renso

专题命中 检索器与排序 ：retrieval-augmented generation(title,abstract)；RAG(abstract)；分类 cs.IR

AI总结 WalkRAG通过空间增强的检索增强生成框架，结合信息检索与空间推理，为用户提供步行性城市探索的推荐服务。

Factuality and Transparency Are All RAG Needs! Self-Explaining Contrastive Evidence Re-ranking

事实性与透明性是RAG所需的一切！自解释对比证据重排序

Francielle Vargas, Daniel Pedronette

机构 * São Paulo State University（圣保罗州立大学） 纠错

专题命中 检索器与排序 ：RAG(title,abstract)；分类 cs.CL

AI总结 CER通过对比学习和生成归因理由，提升检索准确性并减少幻觉风险，提供透明的证据检索。

Comments This work was presented as a poster at the Applied Social Media Lab during the 2025 Synthesizer & Open Showcase at the Berkman Klein Center for Internet & Society at Harvard University

MetaSynth: Multi-Agent Metadata Generation from Implicit Feedback in Black-Box Systems

MetaSynth: 从黑盒系统中的隐式反馈生成多智能体元数据

Shreeranjani Srirangamsridharan, Ali Abavisani, Reza Yousefi Maragheh, Ramin Giahi, Kai Zhao, Jason Cho, Sushant Kumar

专题命中 检索器与排序 ：retrieval-augmented generation(abstract)；分类 cs.IR

AI总结 MetaSynth通过多智能体检索增强生成框架，利用黑盒系统中的隐式反馈优化元数据生成，提升了CTR和点击率表现。

Comments IEEE Big Data 2025

PennyCoder: Efficient Domain-Specific LLMs for PennyLane-Based Quantum Code Generation

PennyCoder: 用于PennyLane量子代码生成的高效领域特定LLM

Abdul Basit, Minghao Shao, Muhammad Haider Asif, Nouhaila Innan, Muhammad Kashif, Alberto Marchisio, Muhammad Shafique

专题命中 长文档RAG ：RAG(abstract)；分类 cs.AI

AI总结 PennyCoder是一种针对PennyLane量子编程的高效领域特定LLM，通过本地部署和低秩适应技术提升量子代码生成的准确性和效率。

Comments 6 pages, 5 figures, 3 tables, paper accepted to QCE 2025

Journal ref 2025 IEEE International Conference on Quantum Computing and Engineering (QCE), Albuquerque, NM, USA

Semantic Mastery: Enhancing LLMs with Advanced Natural Language Understanding

语义 mastery：通过高级自然语言理解增强大语言模型

Mohanakrishnan Hariharan

专题命中 图谱与结构化RAG ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

AI总结 本文通过高级自然语言理解技术提升大语言模型的语义理解和推理能力，探讨了知识图谱、检索增强生成和对比学习等方法在解决复杂NLP任务中的应用。

Completion by Comprehension: Guiding Code Generation with Multi-Granularity Understanding

通过理解完成：利用多粒度理解引导代码生成

Xinkui Zhao, Rongkai Liu, Yifan Zhang, Chen Zhi, Lufei Zhang, Guanjie Cheng, Yueshen Xu, Shuiguang Deng, Jianwei Yin

专题命中 图谱与结构化RAG ：retrieval-augmented generation(abstract)；RAG(abstract)

AI总结 CoCo通过多粒度理解引导代码生成，利用结构化上下文提升代码补全质量，实验表明其在多个基准测试中表现优异。

A Hierarchical Tree-based approach for creating Configurable and Static Deep Research Agent (Static-DRA)

一种基于层次树的创建可配置和静态深度研究代理（静态-DRA）的方法

Saurav Prateek

机构 * Saurav Prateek（独立研究者） 纠错

专题命中 RAG评测 ：retrieval augmented generation(abstract)；RAG(abstract)；分类 cs.AI

AI总结 本文提出静态-DRA，通过深度和广度参数实现可配置的深度研究代理，提升多轮复杂研究任务的处理能力。

Comments 16 pages, 6 figures, 4 tables. Code available at: https://github.com/SauravP97/Static-Deep-Research

Evaluating Long-Context Reasoning in LLM-Based WebAgents

评估基于大语言模型的WebAgent的长上下文推理能力

Andy Chung, Yichi Zhang, Kaixiang Lin, Aditya Rawal, Qiaozi Gao, Joyce Chai

机构 * University of Michigan（密歇根大学） ； Amazon（亚马逊） 纠错

专题命中 RAG评测 ：RAG(abstract)；分类 cs.AI

AI总结 本文评估了基于大语言模型的WebAgent在长上下文场景中的推理能力，发现随着上下文长度增加，性能显著下降，提出隐式RAG方法以改进任务执行。

Comments Accepted NeurIPS 25 LAW Workshop