RAG / 检索增强生成

Optimizing Retrieval for RAG via Reinforcement Learning

通过强化学习优化RAG的检索

Jiawei Zhou, Lei Chen

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

AI总结 通过强化学习优化RAG检索，提升检索性能并适应多样化环境。

Reasoning in Action: MCTS-Driven Knowledge Retrieval for Large Language Models

行动中的推理：基于MCTS的知识检索用于大语言模型

Shuqi Liu, Bowei He, Chen Ma, Linqi Song

机构 * City University of Hong Kong（香港城市大学） ； City University of Hong Kong Shenzhen Research Institute（香港城市大学深圳研究院） 纠错

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

AI总结 本文提出一种基于MCTS的知识检索方法，通过增强LLM与对话逻辑结构的对齐，提升多轮对话中的推理能力和响应多样性。

Improving Autoformalization Using Direct Dependency Retrieval

通过直接依赖检索改进自动形式化

Shaoqi Wang, Lu Yu, Siwei Lou, Feng Yan, Chunjie Yang, Qing Cui, Jun Zhou

机构 * Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； Hong Kong Polytechnic University（香港理工大学） 纠错

专题命中 检索器与排序 ：RAG(abstract)；分类 cs.AI

AI总结 本文提出DDR方法，通过直接依赖检索提升声明自动形式化的精确度和召回率，显著优于现有方法。

RAG-BioQA: A Retrieval-Augmented Generation Framework for Long-Form Biomedical Question Answering

RAG-BioQA：一种用于长文本生物医学问答的检索增强生成框架

Lovely Yeswanth Panchumarthi, Sumalatha Saleti, Sai Prasad Gudari, Atharva Negi, Praveen Raj Budime, Harsit Upadhya

机构 * Department of CSE Emory University Georgia, USA（计算机科学与工程系 埃默里大学 美国佐治亚州） ； Department of CSE SRM University AP Andhra Pradesh, India（计算机科学与工程系 SRM大学AP 安得拉邦印度） ； Department of CSE Trine University Michigan, USA（计算机科学与工程系 特林大学 密歇根州美国） 纠错

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

AI总结 RAG-BioQA通过结合BioBERT和FAISS实现检索增强生成，提升长文本生物医学问答的准确性和可复现性。

Comments Submitted to ICAEI

Retrieval--Reasoning Processes for Multi-hop Question Answering: A Four-Axis Design Framework and Empirical Trends

多跳问答中的检索-推理过程：一种四维设计框架和实证趋势

Yuelyu Ji, Zhuochun Li, Rui Meng, Daqing He

机构 * School of Computing and Information, University of Pittsburgh（计算与信息学院，匹兹堡大学） ； Google Cloud AI Research（谷歌云人工智能研究） 纠错

专题命中 知识库问答 ：RAG(abstract)；分类 cs.CL

AI总结 本文提出四维设计框架，分析多跳问答系统中检索-推理过程的执行计划、索引结构、控制策略和停止标准，揭示有效性、效率与证据忠实度的权衡，并指出结构感知规划、可转移控制策略和鲁棒停止是未来挑战。

Multi-hop Reasoning via Early Knowledge Alignment

通过早期知识对齐实现多跳推理

Yuxin Wang, Shicheng Fang, Bo Wang, Qi Luo, Xuanjing Huang, Yining Zheng, Xipeng Qiu

机构 * Computer Science, Fudan University（复旦大学计算机科学系） ； Institute of Modern Languages and Linguistics, Fudan University（复旦大学现代语言与语言学研究所） ； Shanghai SII（上海SII） 纠错

专题命中 长文档RAG ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL

AI总结 EKA通过早期知识对齐提升多跳推理效率，增强检索精度和系统性能。

Comments 16 pages

Spatially-Grounded Document Retrieval via Patch-to-Region Relevance Propagation

通过补丁到区域相关性传播实现空间感知的文档检索

Athos Georgiou

机构 * Independent Researcher（独立研究者） 纠错

专题命中 长文档RAG ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.IR

AI总结 通过结合ColPali的补丁相似性与OCR区域，实现更精确的文档检索，提升RAG任务中的上下文相关性

Comments 21 pages, 6 figures, 8 tables. Includes ancillary files with full benchmark results and ablation studies. Code available at https://github.com/athrael-soju/Snappy

Making Theft Useless: Adulteration-Based Protection of Proprietary Knowledge Graphs in GraphRAG Systems

让盗窃变得无用：基于掺假的专有知识图谱在GraphRAG系统中的保护

Weijie Wang, Peizhuo Lv, Yan Wang, Rujie Dai, Guokun Xu, Qiujian Lv, Hangcheng Liu, Weiqing Huang, Wei Dong, Jiaheng Zhang

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

AI总结 AURA通过在知识图谱中注入虚假掺假物，使盗窃的知识图谱对攻击者无用，同时保持授权用户查询的准确性。

An Empirical Evaluation of LLM-Based Approaches for Code Vulnerability Detection: RAG, SFT, and Dual-Agent Systems

基于大型语言模型的代码漏洞检测方法实证评估：RAG、SFT和双智能体系统

Md Hasan Saju, Maher Muhtadi, Akramul Azim

机构 * Department of Electrical, Computer, and Software Engineering（电气、计算机与软件工程系） ； Ontario Tech University（安大略技术大学） 纠错

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

AI总结 本文通过实证评估，比较了RAG、SFT和双智能体系统在代码漏洞检测中的有效性，发现RAG在准确率和F1分数上表现最佳，SFT和双智能体系统也展示了良好的性能，证明了领域专业知识对LLM在实际漏洞检测中的重要性。

Journal ref https://conf.researchr.org/home/cascon-2025

From Transformers to LLMs: A Systematic Survey of Efficiency Considerations in NLP

从Transformer到LLM：NLP中基于效率考虑的系统性综述

Wazib Ansar, Saptarsi Goswami, Amlan Chakrabarti

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

AI总结 本文系统综述了NLP中基于Transformer的LLM在效率方面的研究，探讨了数据整理、模型设计等多方面效率提升方法，并评估了多个知名NLP模型的效率和有效性。

Comments 63 pages, 5 tables and 22 figures

When Small Models Are Right for Wrong Reasons: Process Verification for Trustworthy Agents

当小模型适用于错误的原因：信任代理的过程验证

Laksh Advani

机构 * Laksh Advani 纠错

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

AI总结 本文揭示小型语言模型在推理过程中的可靠性问题，提出推理完整性评分，并展示RAG提升推理质量而元认知可能损害性能，强调过程验证对可信代理的重要性。

Comments Accepted to Trustagent workshop AAAI 2026