RAG / 检索增强生成

Integrating Domain Knowledge for Financial QA: A Multi-Retriever RAG Approach with LLMs

在金融问答中整合领域知识：一种基于多检索器RAG方法与LLM的多检索器RAG方法

Yukun Zhang, Stefan Elbl Droguett, Samyak Jain

机构 * Department of Computer Science Stanford University（计算机科学系 斯坦福大学） ； Graduate School of Business Stanford University（商学院 斯坦福大学） 纠错

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

AI总结 本研究提出一种基于多检索器RAG方法与LLM的金融问答系统，通过领域知识训练提升数值推理能力，验证了领域特定训练在不同模型规模下的性能差异。

RAGPart & RAGMask: Retrieval-Stage Defenses Against Corpus Poisoning in Retrieval-Augmented Generation

RAGPart & RAGMask：对抗检索增强生成中语料污染的检索阶段防御

Pankayaraj Pathmanathan, Michael-Andrei Panaitescu-Liess, Cho-Yu Jason Chiang, Furong Huang

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

AI总结 本文提出RAGPart和RAGMask两种检索阶段防御方法，用于对抗RAG中语料污染攻击，通过文档分区和标记遮蔽技术降低攻击成功率，提升RAG系统的鲁棒性。

Comments Published at AAAI 2026 Workshop on New Frontiers in Information Retrieval [Oral]

An Analysis of Hyper-Parameter Optimization Methods for Retrieval Augmented Generation

检索增强生成方法的超参数优化分析

Matan Orbach, Ohad Eytan, Benjamin Sznajder, Ariel Gera, Odellia Boni, Yoav Kantor, Gal Bloch, Omri Levy, Hadas Abraham, Nitzan Barzilay, Eyal Shnarch, Michael E. Factor, Shila Ofek-Koifman, Paula Ta-Shma, Assaf Toledo

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

AI总结 本文分析了RAG超参数优化方法，通过五种算法和五种数据集的实验，发现贪婪或随机搜索能高效提升RAG性能，且优先优化模型选择优于传统流程顺序。

Comments AAAI 2026 Workshop on New Frontiers in Information Retrieval. For associated results, see https://github.com/IBM/rag-hpo-bench

GestureHYDRA: Semantic Co-speech Gesture Synthesis via Hybrid Modality Diffusion Transformer and Cascaded-Synchronized Retrieval-Augmented Generation

GestureHYDRA: 通过混合模态扩散变换器和级联同步检索增强生成进行语义同步手势合成

Quanwei Yang, Luying Huang, Kaisiyuan Wang, Jiazhi Guan, Shengyi He, Fengguo Li, Hang Zhou, Lingyun Yu, Yingying Li, Haocheng Feng, Hongtao Xie

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

AI总结 GestureHYDRA通过混合模态扩散变换器和级联同步检索增强生成技术，实现具有明确语义的手势合成，提升手势生成的准确性和效率。

Comments 10 pages, 5 figures, Accepted by ICCV 2025

RAST: A Retrieval Augmented Spatio-Temporal Framework for Traffic Prediction

RAST：一种用于交通预测的检索增强时空框架

Weilin Ruan, Xilin Dang, Ziyu Zhou, Sisuo Lyu, Yuxuan Liang

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

AI总结 RAST通过整合检索增强机制与时空建模，解决交通预测中的上下文容量和细粒度预测性挑战，实现高效且准确的交通预测。

Comments Accepted by AAAI 2026 (AI for Social Impact)

AdaGReS:Adaptive Greedy Context Selection via Redundancy-Aware Scoring for Token-Budgeted RAG

AdaGReS:基于冗余感知评分的自适应贪心上下文选择用于带有令牌预算的RAG

Chao Peng, Bin Wang, Zhilei Long, Jinfang Sheng

机构 * Central South University（中南大学） ； Yizhi Intelligent (YZInt)（义智智能（YZInt）） 纠错

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

AI总结 AdaGReS通过冗余感知评分和贪心选择优化，提升RAG在令牌预算下的上下文质量与生成效果。

Comments Preprint. Under review

Multi-step retrieval and reasoning improves radiology question answering with large language models

多步检索与推理提升大型语言模型在放射学问答中的表现

Sebastian Wind, Jeta Sopa, Daniel Truhn, Mahshad Lotfinia, Tri-Thien Nguyen, Keno Bressem, Lisa Adams, Mirabela Rusu, Harald Köstler, Gerhard Wellein, Andreas Maier, Soroosh Tayebi Arasteh

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

AI总结 RaR通过多步检索与推理提升放射学问答中大型语言模型的诊断准确性和事实一致性。

Comments Published in npj Digital Medicine

Journal ref npj Digit. Med. 8, 790 (2025)

Improving Reliability and Explainability of Medical Question Answering through Atomic Fact Checking in Retrieval-Augmented LLMs

通过检索增强的大语言模型中的原子事实核查来提高医疗问答的可靠性与可解释性

Juraj Vladika, Annika Domres, Mai Nguyen, Rebecca Moser, Jana Nano, Felix Busch, Lisa C. Adams, Keno K. Bressem, Denise Bernhardt, Stephanie E. Combs, Kai J. Borm, Florian Matthes, Jan C. Peeken

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

AI总结 通过原子事实核查提升医疗问答的可靠性与可解释性，减少幻觉并提高事实准确性。

Comments 18 pages, 7 figures and tables

Retrieval Augmented Question Answering: When Should LLMs Admit Ignorance?

检索增强型问答：当LLMs应承认无知时

Dingmin Wang, Ji Ma, Shankar Kumar

机构 * Google Research（谷歌研究） ； University of Oxford（牛津大学） 纠错

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

AI总结 本文提出了一种自适应提示策略，通过分割检索信息并逐步提示LLM回答问题，以提高问答性能并减少无关信息的影响。

Addressing Hallucinations with RAG and NMISS in Italian Healthcare LLM Chatbots

通过RAG和NMISS解决意大利医疗LLM聊天机器人中的幻觉

Maria Paola Priola

机构 * Department of Economics and Business, University of Cagliari（经济与商业系，卡利亚里大学） 纠错

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

AI总结 本文通过RAG和NMISS方法有效缓解和检测LLM中的幻觉问题，验证了GPT-4和NMISS对提升医疗领域LLM性能的显著效果。

PrivacyBench: A Conversational Benchmark for Evaluating Privacy in Personalized AI

PrivacyBench: 一个用于评估个性化AI隐私的对话基准

Srija Mukhopadhyay, Sathwik Reddy, Shruthi Muthukumar, Jisun An, Ponnurangam Kumaraguru

机构 * International Institute of Information Technology Hyderabad（国际信息科技研究所（海得拉巴）） ； Indiana University（印第安纳大学） 纠错

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

AI总结 PrivacyBench通过多轮对话评估揭示RAG助手在隐私保护上的缺陷，指出需结构性隐私保障措施以确保伦理网络环境。

Comments 11 pages, 2 figures

Bielik 7B v0.1: A Polish Language Model -- Development, Insights, and Evaluation

Bielik 7B v0.1：波兰语言模型——开发、见解与评估

Krzysztof Ociepa, Łukasz Flis, Krzysztof Wróbel, Adrian Gwoździej, Remigiusz Kinas

专题命中 RAG评测 ：RAG(abstract)；分类 cs.CL、cs.AI

AI总结 Bielik 7B v0.1通过创新技术提升波兰语处理能力，实现多项NLP任务性能提升，为语言AI发展提供新基准。

Journal ref Computer Science 26(4) (2025) 131-161