RAG / 检索增强生成

SRAS: A Lightweight Reinforcement Learning-based Document Selector for Edge-Native RAG Pipelines

SRAS：一种基于强化学习的轻量级文档选择器用于边缘原生RAG流水线

Rajiv Chaitanya Muttur

机构 * Dayananda Sagar College of Engineering, Bangalore, India（达扬达萨加尔工程学院，班加罗尔，印度） 纠错

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

AI总结 SRAS通过强化学习训练出轻量级文档选择器，适用于边缘原生RAG流水线，实现低延迟和高生成质量。

Comments Presented at ICEdge 2025; nominated for Best Paper Award

Reasoning Over Recall: Evaluating the Efficacy of Generalist Architectures vs. Specialized Fine-Tunes in RAG-Based Mental Health Dialogue Systems

基于回忆的推理：评估基于RAG的心理健康对话系统中通用架构与专门微调的有效性

Md Abdullah Al Kafi, Raka Moni, Sumit Kumar Banshal

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

AI总结 本文通过比较通用推理模型与领域特定微调模型，发现通用模型在同理心和上下文理解方面表现更优，表明强大的推理能力比专门训练更能提升心理健康对话系统的效果。

Context-aware Decoding Reduces Hallucination in Query-focused Summarization

上下文感知解码减少查询导向摘要中的幻觉

Zhichao Xu

机构 * University of Utah（犹他大学） 纠错

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

AI总结 本文提出上下文感知解码方法，通过减少查询导向摘要中的幻觉并保留词法模式匹配度，提升生成质量。

Comments technical report

Hallucination to Truth: A Review of Fact-Checking and Factuality Evaluation in Large Language Models

幻觉与事实：大型语言模型中事实核查与事实性评估的综述

Subhey Sadi Rahman, Md. Adnanul Islam, Md. Mahbub Alam, Musarrat Zeba, Md. Abdur Rahman, Sadia Sultana Chowa, Mohaimenul Azam Khan Raiaan, Sami Azam

机构 * Department of Computer Science and Engineering, United International University, Dhaka 1212, Bangladesh（乌姆特国际大学计算机科学与工程系） ； Department of Computer Science and Engineering, Daffodil International University, Dhaka-1341, Bangladesh（达芙尼国际大学计算机科学与工程系） ； Faculty of Science and Technology, Charles Darwin University, Casuarina, NT 0909, Australia（查尔斯·达尔文大学科学与技术学院） 纠错

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

AI总结 本文综述了大型语言模型中事实核查与事实性评估的关键挑战及方法，强调了提升事实准确性的重要性。

Journal ref Artif. Intell. Rev. (2026)