RAG / 检索增强生成

Enhancing Retrieval-Augmented Generation with Two-Stage Retrieval: FlashRank Reranking and Query Expansion

通过双阶段检索增强检索增强生成：FlashRank重排序与查询扩展

Sherine George

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 本研究提出双阶段检索框架，结合查询扩展和FlashRank重排序，提升检索增强生成的准确性和效率。

Comments 3 pages, 1 figure, 3 tables

Roles of MLLMs in Visually Rich Document Retrieval for RAG: A Survey

多模态大语言模型在视觉丰富文档检索中的作用：一项综述

Xiantao Zhang

机构 * Beihang University（北航大学） 纠错

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

AI总结 本文综述了多模态大语言模型在视觉丰富文档检索中的应用，探讨了三种关键角色及其在RAG中的作用与权衡。

Comments 18 pages; accepted at AACL-IJCNLP 2025 (main conference)

LFD: Layer Fused Decoding to Exploit External Knowledge in Retrieval-Augmented Generation

LFD: 层融合解码以利用外部知识进行检索增强生成

Yang Sun, Zhiyong Xie, Lixin Zou, Dan Luo, Min Tang, Xiangyu Zhao, Yunwei Zhao, Xixun Lin, Yanxiong Lu, Chenliang Li

机构 * Key Laboratory of Aerospace Information Security and Trusted Computing, Ministry of Education, School of Cyber Science and Engineering, Wuhan University（航空信息安全与可信计算重点实验室，教育部，武汉大学计算机科学与工程学院） ； Lehigh University（莱斯大学） ； Monash University（墨尔本大学） ； City University of Hong Kong（香港城市大学） ； CNCERT/CC（国家互联网应急中心） ； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； Search Team, WeChat, Tencent Inc.（微信搜索团队，腾讯公司） 纠错

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

AI总结 LFD通过层融合解码策略，利用中层表示与最终层解码输出结合，提升RAG系统在检索外部事实性知识上的效率。

SoK: Privacy Risks and Mitigations in Retrieval-Augmented Generation Systems

SoK：检索增强生成系统中的隐私风险与缓解措施

Andreea-Elena Bodea, Stephen Meisenbacher, Alexandra Klymenko, Florian Matthes

机构 * Technical University of Munich School of Computation, Information（慕尼黑技术大学计算与信息学院） 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 本文系统梳理了检索增强生成系统中的隐私风险及缓解措施，提出了隐私风险分类和流程图，揭示了缓解措施的现状和关键考虑因素。

Comments 17 pages, 3 figures, 5 tables. This work has been accepted for publication at the IEEE Conference on Secure and Trustworthy Machine Learning (SaTML 2026). The final version will be available on IEEE Xplore

After Retrieval, Before Generation: Enhancing the Trustworthiness of Large Language Models in Retrieval-Augmented Generation

检索后，生成前：增强检索增强生成中大型语言模型的可信度

Xinbang Dai, Huikang Hu, Yuncheng Hua, Jiaqi Li, Yongrui Chen, Rihui Jin, Nan Hu, Guilin Qi

机构 * Southeast University（东南大学） ； University of New South Wales（新南威尔士大学） ； Noah’s Ark Lab（诺亚实验室） 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 BRIDGE框架通过动态确定响应策略，提升检索增强生成中大型语言模型的可信度，实验显示其在准确性上优于基线方法。

Comments 22 pages, 8 figures

Relevance to Utility: Process-Supervised Rewrite for RAG

效用相关性：基于过程的重写用于RAG

Jaeyoung Kim, Jongho Kim, Seung-won Hwang, Seoho Song, Young-In Song

机构 * IPAI, Seoul National University（IPAI，首尔国立大学） ； Naver Corp（Naver公司） 纠错

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

AI总结 R2U通过联合观察重写和回答过程中的推理来近似真实效用，提升检索增强生成系统的生成效用。

Decide Then Retrieve: A Training-Free Framework with Uncertainty-Guided Triggering and Dual-Path Retrieval

决定后再检索：一种无训练框架，结合不确定性引导触发和双路径检索

Wang Chen, Guanqiang Qi, Weikang Li, Yang Li, Deguo Xia, Jizhou Huang

机构 * Baidu Inc（百度公司） ； The University of Hong Kong（香港大学） ； Peking University（北京大学） 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 DTR通过不确定性引导触发和双路径检索，提升问答性能并减少冗余检索。

Unleashing the Potential of Neighbors: Diffusion-based Latent Neighbor Generation for Session-based Recommendation

释放邻居的潜力：基于扩散的潜在邻居生成用于基于会话的推荐

Yuhan Yang, Jie Zou, Guojia An, Jiwei Wei, Yang Yang, Heng Tao Shen

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

AI总结 DiffSBR通过基于扩散的潜在邻居生成方法，提升基于会话的推荐性能。

Comments This paper has been accepted by KDD 2026

MARVEL: A Multi Agent-based Research Validator and Enabler using Large Language Models

MARVEL：基于大语言模型的多智能体研究验证器与促进器

Nikhil Mukund, Yifang Luo, Fan Zhang, Lisa Barsotti, Erik Katsavounidis

机构 * MIT Kavli Institute for Astrophysics and Space Research and LIGO Laboratory（麻省理工学院凯斯利天文与空间研究所及LIGO实验室） ； Massachusetts Institute of Technology（麻省理工学院） ； State Key Laboratory of Ocean Sensing & Ocean College（海洋传感国家重点实验室） ； Zhejiang University（浙江大学） ； NSF AI Institute for Artificial Intelligence and Fundamental Interactions (IAIFI)（国家科学基金会人工智能与基本相互作用研究所） ； Cambridge, MA, USA（美国马萨诸塞州剑桥市） 纠错

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

AI总结 MARVEL通过结合快速查询路径和深度搜索模式，为科学领域提供可部署的验证器，其在探测器操作内容上显著优于GPT-4o基线。

Comments 18 pages, 7 figures

HONEYBEE: Efficient Role-based Access Control for Vector Databases via Dynamic Partitioning[Technical Report]

HONEYBEE: 通过动态分区实现向量数据库的高效基于角色的访问控制

Hongbin Zhong, Matthew Lentz, Nina Narodytska, Adriana Szekeres, Kexin Rong

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Duke University（杜克大学） ； VMware Research by Broadcom（VMware由Broadcom进行的研究） ； Microsoft Research（微软研究院） 纠错

专题命中 向量检索 ：vector search(abstract)；分类 cs.IR、cs.DB

AI总结 HONEYBEE通过动态分区实现向量数据库的高效基于角色的访问控制，平衡内存开销与查询延迟，提升安全性与效率。

Comments Accepted by SIGMOD 2026

Beyond Chemical QA: Evaluating LLM's Chemical Reasoning with Modular Chemical Operations

超越化学问答：利用模块化化学操作评估LLM的化学推理

Hao Li, He Cao, Bin Feng, Yanjun Shao, Xiangru Tang, Zhiyuan Yan, Li Yuan, Yonghong Tian, Yu Li

机构 * Pengcheng Laboratory（鹏城实验室） ； International Digital Economy Academy（国际数字经济学院） ； School of Electronic and Computer Engineering, Peking University（北京大学电子与计算机工程学院） ； School of AI for Science, Peking University（北京大学科学人工智能学院） ； Yale University（耶鲁大学） 纠错

专题命中 知识库问答 ：knowledge retrieval(abstract)；分类 cs.AI

AI总结 本文提出ChemCoTBench框架，通过模块化化学操作评估LLM在化学推理中的能力，解决分子优化和反应预测等复杂任务。

Comments Accepted by NeurIPS 2025 Dataset Track, 22 pages, 10 figures

Bridging OLAP and RAG: A Multidimensional Approach to the Design of Corpus Partitioning

连接OLAP与RAG：一种多维方法用于语料库划分设计

Dario Maio, Stefano Rizzi

机构 * DISI - University of Bologna, Viale Risorgimento, 2, Bologna, 40136 Italy（博洛尼亚大学DISI学院） 纠错

专题命中 图谱与结构化RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 本文提出维度事实模型（DFM）以指导RAG语料库的多维划分设计，结合语义聚类和多维划分策略，提升检索的可控性和确定性。

LAG: Logic-Augmented Generation from a Cartesian Perspective

LAG: 从笛卡尔视角出发的逻辑增强生成

Yilin Xiao, Chuang Zhou, Yujing Zhang, Qinggang Zhang, Su Dong, Shengyuan Chen, Chang Yang, Xiao Huang

机构 * The Hong Kong Polytechnic University（香港理工大学） 纠错

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 LAG通过系统的问题分解、原子记忆库和逻辑感知推理，提升知识密集型任务的准确性和减少幻觉。

The Pneuma Project: Reifying Information Needs as Relational Schemas to Automate Discovery, Guide Preparation, and Align Data with Intent

Pneuma项目：将信息需求作为关系模式来自动化发现、指导准备并使数据与意图一致

Muhammad Imam Luthfi Balaka, Raul Castro Fernandez

专题命中 图谱与结构化RAG ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.DB

AI总结 Pneuma项目通过将信息需求转化为关系模式，利用语言模型实现自动化发现与文档生成，提升数据与意图的一致性。

Comments CIDR 2026 Paper

FastV-RAG: Towards Fast and Fine-Grained Video QA with Retrieval-Augmented Generation

FastV-RAG: 向快速且细粒度的视频问答迈进：基于检索增强生成的框架

Gen Li, Peiyu Liu

机构 * University of Electronic Science and Technology of China（电子科学与技术大学） ； University of International Business and Economics（国际商务经济大学） 纠错

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

AI总结 FastV-RAG通过引入推测解码和基于相似性的过滤策略，提升视频问答任务的效率和准确性。

The Instruction Gap: LLMs get lost in Following Instruction

指令鸿沟：LLMs在遵循指令时迷失

Vishesh Tripathi, Uday Allu, Biddwan Ahmed

机构 * Vishesh Tripathi ； Uday Allu ； Biddwan Ahmed 纠错

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

AI总结 本研究揭示了LLMs在企业部署中遵循指令的不足，通过评估13种模型发现Claude-Sonnet-4和GPT-5表现最佳，指出指令遵循能力的鸿沟及改进方向。

Better Call CLAUSE: A Discrepancy Benchmark for Auditing LLMs Legal Reasoning Capabilities

更好的CLAUSE：用于审计LLM法律推理能力的差异基准

Manan Roy Choudhury, Adithya Chandramouli, Mannan Anand, Vivek Gupta

机构 * Arizona State University（亚利桑那州立大学） 纠错

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

AI总结 CLAUSE是一个用于评估LLM法律推理能力的基准，通过生成现实扰动合同检测细微法律错误，揭示LLM在识别和解释法律缺陷方面的不足。

Comments 42 pages, 4 images

ELAIPBench: A Benchmark for Expert-Level Artificial Intelligence Paper Understanding

ELAIPBench: 一个用于专家级人工智能论文理解的基准

Xinbang Dai, Huikang Hu, Yongrui Chen, Jiaqi Li, Rihui Jin, Yuyang Zhang, Xiaoguang Li, Lifeng Shang, Guilin Qi

机构 * Southeast University（东南大学） ； Noah’s Ark Lab（诺亚实验室） 纠错

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

AI总结 ELAIPBench通过专家编纂的多选题评估LLM对AI论文的理解能力，发现最佳模型准确率仅为39.95%，远低于人类，揭示了LLM在学术论文理解上的显著不足。

Comments 24 pages, 21 figures