RAG / 检索增强生成

Cooperative Retrieval-Augmented Generation for Question Answering: Mutual Information Exchange and Ranking by Contrasting Layers

协作检索增强生成用于问答：通过对比层进行互信息交换和排序

Youmin Ko, Sungjong Seo, Hyunjoon Kim

机构 * Department of Artificial Intelligence, Hanyang University（人工智能学院，翰阳大学） ； Department of Data Science, Hanyang University（数据科学学院，翰阳大学） 纠错

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

AI总结 CoopRAG通过协作检索与生成机制，提升问答任务中检索与生成的准确性。

Comments Accepted to NeurIPS 2025

From Signal to Turn: Interactional Friction in Modular Speech-to-Speech Pipelines

从信号到转译：模块化语音到语音管道中的交互摩擦

Tittaya Mairittha, Tanakon Sawanglok, Panuwit Raden, Jirapast Buntub, Thanapat Warunee, Napat Asawachaisuvikrom, Thanaphum Saiwongin

机构 * Chulalongkorn University（朱拉隆功大学） 纠错

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

AI总结 本文研究了模块化语音到语音管道中的交互摩擦问题，揭示了时间错位、表达扁平化和修复刚性三种对话破裂模式，指出其源于模块化设计对控制的优先考虑，而非缺陷，强调了基础设施设计在构建自然语音AI中的重要性。

Comments 6 pages, 1 figure

Accelerating Mobile Language Model via Speculative Decoding and NPU-Coordinated Execution

通过推测解码和NPU协同执行加速移动语言模型

Zhiyang Chen, Daliang Xu, Haiyang Shen, Chiheng Lou, Mengwei Xu, Shangguang Wang, Xin Jin, Yun Ma

机构 * Peking University（北京大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

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

AI总结 本文提出sd.npu框架，通过推测解码和NPU协同执行，提升移动设备RAG任务的效率与能耗表现。

Entropy-Reservoir Bregman Projection: An Information-Geometric Unification of Model Collapse

熵-蓄水池Bregman投影：信息几何统一模型崩溃

Jingwei Chen

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 ERBP通过信息几何框架统一模型崩溃现象，提供熵流监控和预算的设计规则。

Bilateral Spatial Reasoning about Street Networks: Graph-based RAG with Qualitative Spatial Representations

双重视觉推理关于街道网络：基于图的RAG与定性空间表示

Reinhard Moratz, Niklas Daute, James Ondieki, Markus Kattenbeck, Mario Krajina, Ioannis Giannopoulos

专题命中 长文档RAG ：RAG(title)；分类 cs.AI

AI总结 本文提出一种基于图的RAG方法，利用定性空间表示提升LLM在行人导航中的路线指引能力。

Quantifying Return on Security Controls in LLM Systems

对LLM系统中安全控制的回报进行量化

Richard Helder Moulton, Austin O'Brien, John D. Hastings

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 本文提出了一种量化LLM系统安全控制回报的方法，通过模拟攻击和风险评估，比较了ABAC、NER删除和NeMo Guardrails三种安全措施的效果，发现ABAC显著降低风险，RoC达到9.83。

Comments 13 pages, 9 figures, 3 tables

Workflows vs Agents for Code Translation

工作流与代理在代码翻译中的比较

Henry Gray, Tom Yotam, Octavian Udrea

机构 * Code Metal 纠错

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

AI总结 研究比较了工作流与代理方法在MATLAB到HDL代码翻译中的效果，发现代理方法在语法修复和提升模拟覆盖率方面表现更优。

Journal ref NeurIPS 2025 Fourth Workshop on Deep Learning for Code

Evaluating the Capability of Video Question Generation for Expert Knowledge Elicitation

评估视频问题生成在专家知识获取中的能力

Huaying Zhang, Atsushi Hashimoto, Tosho Hirasawa

机构 * OMRON SINIC X Corp.（OMRON SINIC X公司） ； Hokkaido University（北海道大学） 纠错

专题命中 多模态RAG ：retriever(abstract)；分类 cs.AI

AI总结 本文提出了一种评估视频问题生成能力的新协议，通过模拟专家问答交流来评估问题质量，利用新构建的EgoExoAsk数据集验证了模型在获取未见知识方面的有效性。

Comments WACV 2026 accepted

VERAFI: Verified Agentic Financial Intelligence through Neurosymbolic Policy Generation

VERAFI：通过神经符号策略生成实现验证的代理金融智能

Adewale Akinfaderin, Shreyas Subramanian

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

AI总结 VERAFI通过神经符号策略生成实现验证的代理金融智能，显著提升金融领域事实正确性与合规性。

Revisiting Task-Oriented Dataset Search in the Era of Large Language Models: Challenges, Benchmark, and Solution

重新审视大语言模型时代任务导向型数据集搜索：挑战、基准测试与解决方案

Zixin Wei, Yucan Guo, Jinyang Li, Xiaolin Han, Xiaolong Jin, Chenhao Ma

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

AI总结 KATS通过构建任务-数据集知识图和混合查询引擎，解决任务导向型数据集搜索中的挑战，并通过CS-TDS基准测试展示其优越性。

Comments Accepted to Proc. VLDB Endow. (PVLDB), Vol. 19. 14 pages, 8 figures