RAG / 检索增强生成

MUST-RAG: MUSical Text Question Answering with Retrieval Augmented Generation

MUST-RAG: 基于检索增强生成的音乐文本问答

Daeyong Kwon, SeungHeon Doh, Juhan Nam

机构 * Graduate School of Culture Technology, KAIST, South Korea（文化科技研究生院，韩国釜山科学技术院） 纠错

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

AI总结 MUST-RAG通过引入音乐专用数据库和检索增强生成技术，提升通用语言模型在音乐问答任务中的表现。

Comments This is an earlier version of the paper - ArtistMus: A Globally Diverse, Artist-Centric Benchmark for Retrieval-Augmented Music Question Answering. The latest version is available at: (arXiv:2512.05430)

Grounding Long-Context Reasoning with Contextual Normalization for Retrieval-Augmented Generation

通过上下文归一化增强长上下文推理用于检索增强生成

Jiamin Chen, Yuchen Li, Xinyu Ma, Xinran Chen, Xiaokun Zhang, Shuaiqiang Wang, Chen Ma, Dawei Yin

机构 * City University of Hong Kong（香港城市大学） ； Baidu Inc.（百度公司） 纠错

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

AI总结 通过上下文归一化策略提升RAG在长上下文推理中的鲁棒性和稳定性

Bridging Relevance and Reasoning: Rationale Distillation in Retrieval-Augmented Generation

弥合相关性与推理：检索增强生成中的推理蒸馏

Pengyue Jia, Derong Xu, Xiaopeng Li, Zhaocheng Du, Xiangyang Li, Yichao Wang, Yuhao Wang, Qidong Liu, Maolin Wang, Huifeng Guo, Ruiming Tang, Xiangyu Zhao

机构 * City University of Hong Kong（香港城市大学） ； University of Science and Technology of China（中国科学技术大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） 纠错

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

AI总结 RADIO通过推理提取和基于推理的对齐方法，弥合检索增强生成中重排器与生成器之间的相关性差距。

Comments Accepted to ACL 25 Findings

LLMs are Biased Evaluators But Not Biased for Retrieval Augmented Generation

LLMs是偏向评估者但不偏向检索增强生成

Yen-Shan Chen, Jing Jin, Peng-Ting Kuo, Chao-Wei Huang, Yun-Nung Chen

机构 * National Taiwan University（国立台湾大学） 纠错

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

AI总结 研究发现LLM在RAG框架中无自我偏好，但事实准确性显著影响输出。

Comments 15 pages, 14 tables, 5 figures Accepted to ACL Findings 2025

OpenFOAMGPT: a RAG-Augmented LLM Agent for OpenFOAM-Based Computational Fluid Dynamics

OpenFOAMGPT：一种基于检索增强生成的LLM代理，用于基于OpenFOAM的计算流体力学

Sandeep Pandey, Ran Xu, Wenkang Wang, Xu Chu

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

AI总结 OpenFOAMGPT是一种基于检索增强生成的LLM代理，用于优化OpenFOAM的CFD模拟，通过高效处理复杂任务提升工程应用效率。

Refine Medical Diagnosis Using Generation Augmented Retrieval and Clinical Practice Guidelines

通过生成增强检索和临床实践指南提升医学诊断

Wenhao Li, Hongkuan Zhang, Hongwei Zhang, Zhengxu Li, Zengjie Dong, Yafan Chen, Niranjan Bidargaddi, Hong Liu

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

AI总结 本研究提出GARMLE-G框架，通过生成增强检索和临床指南整合，提升医学诊断的准确性和临床实用性。

Journal ref Journal of Biomedical and Health Informatics (JBHI) 2025

LSRP: A Leader-Subordinate Retrieval Framework for Privacy-Preserving Cloud-Device Collaboration

LSRP: 一种用于隐私保护云-设备协作的领导者-下属检索框架

Yingyi Zhang, Pengyue Jia, Xianneng Li, Derong Xu, Maolin Wang, Yichao Wang, Zhaocheng Du, Huifeng Guo, Yong Liu, Ruiming Tang, Xiangyu Zhao

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

AI总结 LSRP通过领导者-下属检索框架提升云-设备协作的隐私保护性能，增强云模型与设备模型的协同能力。

Comments Accepted at KDD'25

DMRetriever: A Family of Models for Improved Text Retrieval in Disaster Management

DMRetriever：一种改进灾害管理文本检索的模型家族

Kai Yin, Xiangjue Dong, Chengkai Liu, Allen Lin, Lingfeng Shi, Ali Mostafavi, James Caverlee

机构 * Texas A&M University（德克萨斯大学） 纠错

专题命中 检索器与排序 ：dense retrieval(abstract)；分类 cs.IR、cs.AI

AI总结 DMRetriever是一种专为灾害管理设计的高效文本检索模型，通过三阶段框架提升检索性能，实现多意图下的最佳表现。

DataGovBench: Benchmarking LLM Agents for Real-World Data Governance Workflows

DataGovBench: 为现实世界数据治理工作流程评估LLM代理

Zhou Liu, Zhaoyang Han, Guochen Yan, Hao Liang, Bohan Zeng, Xing Chen, Yuanfeng Song, Wentao Zhang

机构 * Peking University（北京大学） ； ByteDance（字节跳动） 纠错

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

AI总结 DataGovBench通过150种现实任务评估LLM代理在数据治理中的表现，提出DataGovAgent框架提升复杂任务性能和调试效率。

Comments Equal contribution: Zhou Liu and Zhaoyang Han. Corresponding authors: Yuanfeng Song and Wentao Zhang

An Index-based Approach for Efficient and Effective Web Content Extraction

基于索引的方法用于高效有效的网络内容提取

Yihan Chen, Benfeng Xu, Xiaorui Wang, Zhendong Mao

机构 * University of Science and Technology of China（中国科学技术大学） ； Metastone Technology（Metastone技术） 纠错

专题命中 向量检索 ：RAG(abstract)；分类 cs.IR、cs.CL

AI总结 本文提出基于索引的方法，用于高效提取网络相关内容，提升RAG系统查询准确性与处理速度。

Distribution-Aware Exploration for Adaptive HNSW Search

面向分布的探索：自适应HNSW搜索

Chao Zhang, Renée J. Miller

专题命中 向量检索 ：vector search(abstract)；分类 cs.DB

AI总结 本文提出Ada-ef方法，通过动态配置ef实现高效近邻搜索，减少查询延迟和计算资源消耗。

Comments Accepted for publication in SIGMOD 2026

How Should We Evaluate Data Deletion in Graph-Based ANN Indexes?

在基于图的ANN索引中，我们应如何评估数据删除？

Tomohiro Yamashita, Daichi Amagata, Yusuke Matsui

机构 * The University of Tokyo（东京大学） ； The University of Osaka（大阪大学） 纠错

专题命中 向量检索 ：retrieval-augmented generation(abstract)

AI总结 本文提出了一种评估框架和指标，用于评估基于图的ANNS索引在动态数据中的数据删除效率，并提出删除控制方法以动态选择合适的删除策略。

Comments 4 pages, 4 figures. Accepted at NeurIPS 2025 Workshop on Machine Learning for Systems

Reinforcement Learning Integrated Agentic RAG for Software Test Cases Authoring

强化学习集成的代理RAG用于软件测试用例编写

Mohanakrishnan Hariharan

专题命中 知识库问答 ：RAG(title,abstract)；分类 cs.AI

AI总结 本文提出一种结合强化学习与自主代理的RAG框架，用于提升软件测试用例生成的准确性和缺陷检测率。

Evaluating Long-Term Memory for Long-Context Question Answering

评估长期记忆以实现长上下文问答

Alessandra Terranova, Björn Ross, Alexandra Birch

机构 * School of Informatics, The University of Edinburgh（信息学院，爱丁堡大学） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL

AI总结 本文评估了增强记忆方法在长上下文问答任务中的效果，发现通过RAG和事件记忆可显著减少令牌使用并保持准确性。

Comments Accepted as a poster at Metacognition in Generative AI EurIPS workshop

LLM4SFC: Sequential Function Chart Generation via Large Language Models

LLM4SFC: 通过大语言模型生成顺序功能图

Ofek Glick, Vladimir Tchuiev, Marah Ghoummaid, Michal Moshkovitz, Dotan Di-Castro

机构 * Bosch Research（博世研究） 纠错

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

AI总结 LLM4SFC通过大语言模型生成可执行的顺序功能图，实现图形与文本PLC语言的高效转换。

Enhancing Information Retrieval in Digital Libraries through Unit Harmonisation in Scholarly Knowledge Graphs

通过学术知识图谱中的单元统一提升数字图书馆的信息检索

Golsa Heidari, Markus Stocker, Sören Auer

专题命中 图谱与结构化RAG ：knowledge retrieval(abstract)；分类 cs.IR

AI总结 本文提出了一种基于单元统一的分面搜索方法，用于在学术知识图谱中实现异构数据的比较和过滤，提升数字图书馆的信息检索能力。

Structure-Aware Feature Rectification with Region Adjacency Graphs for Training-Free Open-Vocabulary Semantic Segmentation

基于区域邻接图的结构感知特征校正用于无训练开放词汇语义分割

Qiming Huang, Hao Ai, Jianbo Jiao

机构 * The MIx Group, School of Computer Science University of Birmingham（米克集团，计算机科学学院，伯明翰大学） 纠错

专题命中 多模态RAG ：RAG(abstract)；分类 cs.AI

AI总结 本文提出基于区域邻接图的结构感知特征校正方法，通过增强局部辨别能力来提升开放词汇语义分割的性能。

Comments Accepted to WACV2026

Skywork-R1V4: Toward Agentic Multimodal Intelligence through Interleaved Thinking with Images and DeepResearch

Skywork-R1V4：通过图像与深度研究交织思考实现代理多模态智能

Yifan Zhang, Liang Hu, Haofeng Sun, Peiyu Wang, Yichen Wei, Shukang Yin, Jiangbo Pei, Wei Shen, Peng Xia, Yi Peng, Tianyidan Xie, Eric Li, Yang Liu, Xuchen Song, Yahui Zhou

机构 * Skywork AI 纠错

专题命中 多模态RAG ：knowledge retrieval(abstract)

AI总结 Skywork-R1V4通过交织推理实现多模态代理智能，仅用监督学习在少数据上训练，超越现有模型在多个基准测试中的表现。

Comments 21 pages, 7 figures

Process vs. Outcome Reward: Which is Better for Agentic RAG Reinforcement Learning

过程奖励与结果奖励：哪种对代理RAG强化学习更有效

Wenlin Zhang, Xiangyang Li, Kuicai Dong, Yichao Wang, Pengyue Jia, Xiaopeng Li, Yingyi Zhang, Derong Xu, Zhaocheng Du, Huifeng Guo, Ruiming Tang, Xiangyu Zhao

专题命中 RAG评测 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR

AI总结 ReasonRAG通过过程级奖励提升代理RAG强化学习性能，以更高效训练和更少数据实现更优结果

AI Application in Anti-Money Laundering for Sustainable and Transparent Financial Systems

人工智能在构建可持续和透明金融系统中的反洗钱应用

Chuanhao Nie, Yunbo Liu, Chao Wang

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

AI总结 本文提出利用人工智能技术提升反洗钱流程的效率和透明度，通过整合图检索增强生成模型，优化KYC流程以支持可持续金融发展。

When Code Crosses Borders: A Security-Centric Study of LLM-based Code Translation

当代码跨越国界：一种以安全为中心的LLM代码翻译研究

Hailong Chang, Guozhu Meng, Shuhui Xiao, Kai Chen, Kun Sun, Yilin Li

专题命中 RAG评测 ：retrieval-augmented generation(abstract)；RAG(abstract)

AI总结 本文研究了LLM在代码翻译中的安全风险，发现28.6%-45%的翻译引入新漏洞，并提出RAG策略降低漏洞率32.8%。