RAG / 检索增强生成

Tackling the Inherent Difficulty of Noise Filtering in RAG

应对RAG中噪声过滤的固有难度

Jingyu Liu, Jiaen Lin, Yong Liu

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； Beijing Key Laboratory of Big Data Management and Analysis Methods（北京大数据管理与分析方法重点实验室） ； School of Software Tsinghua University（清华大学软件学院） 纠错

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

AI总结 本文提出了一种新的微调方法，旨在提升LLM在RAG中对相关信息和不相关信息的区分能力，从而增强模型的鲁棒性和性能。

A Dynamic Retrieval-Augmented Generation System with Selective Memory and Remembrance

具有选择性记忆和回忆的动态检索增强生成系统

Okan Bursa

机构 * Izmir Bakircay University（伊兹密尔巴克伊亚大学） 纠错

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

AI总结 本文提出了一种动态检索增强生成系统ARM，通过选择性记忆和衰减机制提升检索效率与生成质量，实现高效且可调节的RAG系统性能。

Comments 6 Pages, 2 figures

Detecting Hallucinations in Retrieval-Augmented Generation via Semantic-level Internal Reasoning Graph

通过语义层面内部推理图检测检索增强生成中的忠实性幻觉

Jianpeng Hu, Yanzeng Li, Jialun Zhong, Wenfa Qi, Lei Zou

机构 * Wangxuan Institute of Computer Technology, Peking University（王轩计算机技术研究所，北京大学） ； Institute of Artificial Intelligence and Future Networks, Beijing Normal University（人工智能与未来网络研究院，北京师范大学） 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 本文提出基于语义层面内部推理图的方法，用于检测检索增强生成中的忠实性幻觉，通过构建依赖关系图和动态阈值调整提升检测性能。

Self-Routing RAG: Binding Selective Retrieval with Knowledge Verbalization

自路由RAG：通过知识语言化绑定选择性检索

Di Wu, Jia-Chen Gu, Kai-Wei Chang, Nanyun Peng

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

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

AI总结 SR-RAG通过将LLM本身作为知识源，实现多源选择性检索，提升效率和准确性。

Efficient Context Scaling with LongCat ZigZag Attention

高效上下文扩展与LongCat ZigZag注意力

Chen Zhang, Yang Bai, Jiahuan Li, Anchun Gui, Keheng Wang, Feifan Liu, Guanyu Wu, Yuwei Jiang, Defei Bu, Li Wei, Haihang Jing, Hongyin Tang, Xin Chen, Xiangzhou Huang, Fengcun Li, Rongxiang Weng, Yulei Qian, Yifan Lu, Yerui Sun, Jingang Wang, Yuchen Xie, Xunliang Cai

机构 * Meituan, China（美团，中国） 纠错

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

AI总结 LongCat ZigZag Attention通过稀疏化全注意力模型，提升长上下文处理效率，实现高效长期推理和代理能力。

Comments 10 pages, 3 figures, 3 tables

Beyond Patch Aggregation: 3-Pass Pyramid Indexing for Vision-Enhanced Document Retrieval

超越补丁聚合：面向视觉增强文档检索的三阶段金字塔索引

Anup Roy, Rishabh Gyanendra Upadhyay, Animesh Rameshbhai Panara, Robin Mills, Aidan Millar

机构 * Inception AI ； Mubadala 纠错

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

AI总结 VisionRAG是一种无OCR、模型无关的多模态检索系统，通过三阶段金字塔索引提升文档检索效率和准确性。

Think-on-Graph 3.0: Efficient and Adaptive LLM Reasoning on Heterogeneous Graphs via Multi-Agent Dual-Evolving Context Retrieval

Think-on-Graph 3.0: 通过多智能体双进化上下文检索实现高效自适应的异构图LLM推理

Xiaojun Wu, Cehao Yang, Xueyuan Lin, Chengjin Xu, Xuhui Jiang, Yuanliang Sun, Hui Xiong, Jia Li, Jian Guo

机构 * IDEA Research, International Digital Economy Academy（IDEA研究院，国际数字经济学院） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； DataArc Tech Ltd.（数据弧科技有限公司） ； Hithink RoyalFlush Information Network Co., Ltd（慧思皇家Flush信息网络有限公司） 纠错

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

AI总结 Think-on-Graph 3.0通过多智能体双进化上下文检索机制，实现高效自适应的异构图LLM推理，提升轻量级模型在复杂推理任务中的性能。

Comments add: reranker agent and experiments

Causal-Enhanced AI Agents for Medical Research Screening

因果增强的医疗研究筛查AI代理

Duc Ngo, Arya Rahgoza

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

AI总结 本文提出一种因果图增强的AI代理，用于医疗研究筛选，通过显式因果推理和双层知识图谱提升系统综述的准确性和可解释性。

Comments for submission to The 39th Canadian Conference on Artificial Intelligence

LiCoMemory: Lightweight and Cognitive Agentic Memory for Efficient Long-Term Reasoning

LiCoMemory: 轻量级和认知代理记忆用于高效的长期推理

Zhengjun Huang, Zhoujin Tian, Qintian Guo, Fangyuan Zhang, Yingli Zhou, Di Jiang, Zeying Xie, Xiaofang Zhou

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

AI总结 LiCoMemory通过轻量级分层图和时间感知检索提升长期对话推理效率和准确性