AI 大模型

RAG / 检索增强生成

检索增强生成、向量检索、知识库问答和面向大模型的搜索系统。

2026-01-12 至 2026-01-12 共收录 4 篇信号源：cs.IR, cs.CL, cs.AI, cs.DB

1. RAG评测 4 篇

2601.05260 2026-01-12 cs.IR cs.AI cs.CL cs.LG 85%

Quantifying Document Impact in RAG-LLMs

量化RAG-LLM中的文档影响

Armin Gerami, Kazem Faghih, Ramani Duraiswami

机构 * Department of Computer Science（计算机科学系）； Umiacs ； University of Maryland（马里兰大学）； College Park MD

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

AI总结本文提出影响评分（IS）用于量化RAG-LLM中单个文档对输出的影响，通过实验验证其有效性，提升系统透明度和可靠性。

2601.05256 2026-01-12 cs.AI cs.CL cs.CV cs.IR 75%

Naiad: Novel Agentic Intelligent Autonomous System for Inland Water Monitoring

Naiad：一种新型智能自主系统用于内陆水体监测

Eirini Baltzi, Tilemachos Moumouris, Athena Psalta, Vasileios Tsironis, Konstantinos Karantzalos

机构 * National Technical University of Athens（希腊国家技术大学）

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

AI总结 Naiad是一种基于大语言模型和外部工具的智能系统，用于通过地球观测数据实现内陆水体的全面监测。

2507.22533 2026-01-12 cs.CL cs.AI 73%

CliCARE: Grounding Large Language Models in Clinical Guidelines for Decision Support over Longitudinal Cancer Electronic Health Records

CliCARE: 在纵向癌症电子健康记录上基于临床指南 grounding 大型语言模型以支持决策

Dongchen Li, Jitao Liang, Wei Li, Xiaoyu Wang, Longbing Cao, Kun Yu

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

AI总结 CliCARE 通过将纵向癌症 EHRs 转换为时序知识图谱并结合临床指南，为肿瘤科医生提供证据支持的决策支持。

Comments Accepted in AAAI Conference on Artificial Intelligence (AAAI-26, Oral)

2506.06240 2026-01-12 cs.CL 70%

Bridging External and Parametric Knowledge: Mitigating Hallucination of LLMs with Shared-Private Semantic Synergy in Dual-Stream Knowledge

弥合外部与参数化知识：通过共享-私有语义协同缓解LLM的幻觉

Yi Sui, Chaozhuo Li, Chen Zhang, Dawei song, Qiuchi Li

机构 * Beijing Institute of Technology, China（北京理工大学）； Beijing University of Posts and Telecommunications, China（北京邮电大学）； Meituan, China（美团）； The Open University, UK（开放大学）

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

AI总结本文提出DSSP-RAG框架，通过共享-私有语义协同机制，缓解LLM在整合外部知识时的幻觉问题，并提升生成性能。