RAG / 检索增强生成

SD-RAG: A Prompt-Injection-Resilient Framework for Selective Disclosure in Retrieval-Augmented Generation

SD-RAG：一种抗提示注入的框架，用于检索增强生成中的选择性披露

Aiman Al Masoud, Marco Arazzi, Antonino Nocera

机构 * Department of Electrical, Computer and Biomedical Engineering（电气、计算机与生物医学工程系） ； University of Pavia（帕维亚大学） 纠错

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

AI总结 SD-RAG通过在检索阶段应用净化和披露控制，提升检索增强生成中的隐私保护和抗提示注入能力。

Unlocking the Potentials of Retrieval-Augmented Generation for Diffusion Language Models

解锁检索增强生成在扩散语言模型中的潜力

Chuanyue Yu, Jiahui Wang, Yuhan Li, Heng Chang, Ge Lan, Qingyun Sun, Jia Li, Jianxin Li, Ziwei Zhang

机构 * Nankai University（南开大学） ； Beihang University（北航） ； HKUST (Guangzhou)（香港科技大学（广州）） ； Huawei Technologies Co., Ltd.（华为技术有限公司） 纠错

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

AI总结 本文提出SPREAD框架，通过引入查询相关性引导的去噪策略，解决DLMs在RAG框架中生成精度低和语义漂移的问题。

Comments Preprints

PruneRAG: Confidence-Guided Query Decomposition Trees for Efficient Retrieval-Augmented Generation

PruneRAG: 基于置信度的查询分解树用于高效的检索增强生成

Shuguang Jiao, Xinyu Xiao, Yunfan Wei, Shuhan Qi, Chengkai Huang, Quan Z. Michael Sheng, Lina Yao

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

AI总结 PruneRAG通过基于置信度的查询分解树，提升检索增强生成的效率与准确性。

Building AI Agents to Improve Job Referral Requests to Strangers

构建AI代理以提高对陌生人的求职推荐请求

Ross Chu, Yuting Huang

机构 * UC Berkeley（加州大学伯克利分校） 纠错

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

AI总结 本文提出利用AI代理增强求职推荐请求的撰写效果，通过检索增强生成技术提升较弱请求的成功率，同时保持较强请求的性能。

How Much Would a Clinician Edit This Draft? Evaluating LLM Alignment for Patient Message Response Drafting

临床医生会修改这个草稿多少？评估LLM对患者信息回复草稿的对齐情况

Parker Seegmiller, Joseph Gatto, Sarah E. Greer, Ganza Belise Isingizwe, Rohan Ray, Timothy E. Burdick, Sarah Masud Preum

机构 * Department of Computer Science, Dartmouth College（计算机科学系，达特茅斯学院） ； Department of Community and Family Medicine, Dartmouth Health（社区与家庭医学系，达特茅斯健康） ； The Dartmouth Institute, Dartmouth College（达特茅斯研究所，达特茅斯学院） 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 本研究评估了LLM在患者信息回复起草任务中的对齐情况，提出了一种新的评估框架，并发现需要根据临床医生的偏好进行适应以提高可靠性。

MedReflect: Teaching Medical LLMs to Self-Improve via Reflective Correction

MedReflect: 通过反思修正教学医疗LLM自我改进

Yue Huang, Yanyuan Chen, Dexuan Xu, Chenzhuo Zhao, Weihua Yue, Yu Huang

机构 * Peking University（北京大学） ； University of Virginia（弗吉尼亚大学） ； Peking University Sixth Hospital（北京大学第六医院） 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 MedReflect通过自我反思机制提升医疗LLM的自主学习能力，减少外部数据依赖，实现高效医疗问题解决。

Multivector Reranking in the Era of Strong First-Stage Retrievers

多向量重排序在强式第一阶段检索器时代

Silvio Martinico, Franco Maria Nardini, Cosimo Rulli, Rossano Venturini

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

AI总结 本文提出了一种两阶段检索方法，通过替换token级收集阶段为单向量文档检索器，显著提升了检索效率，同时保持了高质量的检索效果。

Comments 17 pages, 2 figures, ECIR 2026

Reasoning in Trees: Improving Retrieval-Augmented Generation for Multi-Hop Question Answering

树状推理：改进多跳问题回答的检索增强生成

Yuling Shi, Maolin Sun, Zijun Liu, Mo Yang, Yixiong Fang, Tianran Sun, Xiaodong Gu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shandong University（山东大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 RT-RAG通过构建推理树来提升多跳问题回答的准确性和一致性，实验结果显示其在F1和EM指标上均优于现有方法。

Comments Accepted to GLOW@WWW2026. Code available at https://github.com/sakura20221/RT-RAG

How Good is Post-Hoc Watermarking With Language Model Rephrasing?

在语言模型重述中后置水印技术有多好？

Pierre Fernandez, Tom Sander, Hady Elsahar, Hongyan Chang, Tomáš Souček, Valeriu Lacatusu, Tuan Tran, Sylvestre-Alvise Rebuffi, Alexandre Mourachko

机构 * FAIR, Meta Superintelligence Labs（FAIR、Meta超智能实验室） 纠错

专题命中 长文档RAG ：RAG(abstract)；分类 cs.CL

AI总结 本文研究了语言模型重述中后置水印技术的效果，发现简单方法在某些情况下表现优异，但对可验证文本效果不佳。

Comments Code at https://github.com/facebookresearch/textseal

Augmented Knowledge Graph Querying leveraging LLMs

增强知识图谱查询利用大语言模型

Marco Arazzi, Davide Ligari, Serena Nicolazzo, Antonino Nocera

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

AI总结 SparqLLM通过结合RAG和LLM技术，实现高效的知识图谱查询与可视化，提升非专家用户的数据交互能力。

Journal ref 2025 International Joint Conference on Neural Networks (IJCNN)

Video-Browser: Towards Agentic Open-web Video Browsing

Video-Browser: 向具有代理能力的开放网页视频浏览迈进

Zhengyang Liang, Yan Shu, Xiangrui Liu, Minghao Qin, Kaixin Liang, Nicu Sebe, Zheng Liu, Lizi Liao

专题命中 多模态RAG ：RAG(abstract)

AI总结 Video-Browser通过金字塔感知技术，在开放式网络视频浏览中实现37.5%的相对提升，同时减少58.3%的token消耗。

Vendor-Aware Industrial Agents: RAG-Enhanced LLMs for Secure On-Premise PLC Code Generation

面向供应商的工业代理：增强型LLM用于安全本地PLC代码生成

Joschka Kersting, Michael Rummel, Gesa Benndorf

机构 * Centre for Machine Learning（机器学习中心） ； Fraunhofer IOSB-INA（弗劳恩霍夫IOSB-INA研究所） ； FA-EDC ； Mitsubishi Electric Europe（三菱电机欧洲） 纠错

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

AI总结 本文提出了一种基于RAG增强的LLM方法，用于在低数据域中安全生成本地PLC代码，通过提示工程和定向检索提升代码生成质量。

Comments ICIT2026

T$^2$-RAGBench: Text-and-Table Benchmark for Evaluating Retrieval-Augmented Generation

T$^2$-RAGBench：用于评估检索增强生成的文本与表格基准

Jan Strich, Enes Kutay Isgorur, Maximilian Trescher, Chris Biemann, Martin Semmann

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

AI总结 T$^2$-RAGBench是一个用于评估检索增强生成在文本和表格数据上性能的基准，通过上下文无关的问题测试RAG方法，发现Hybrid BM25在处理此类数据时表现最佳，但仍然对最先进的模型构成挑战。

Comments Accepted to EACL 2026

XChoice: Explainable Evaluation of AI-Human Alignment in LLM-based Constrained Choice Decision Making

XChoice: 用于基于LLM的受限选择决策中的可解释性AI-人类对齐评估

Weihong Qi, Fan Huang, Rasika Muralidharan, Jisun An, Haewoon Kwak

机构 * Indiana University Bloomington（印第安纳大学布卢明顿分校） 纠错

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

AI总结 XChoice是一种用于评估基于LLM的受限选择决策中AI-人类对齐的可解释框架，通过机制模型恢复可解释参数以诊断不一致并支持改进。

Japanese AI Agent System on Human Papillomavirus Vaccination: System Design

日本的人乳头瘤病毒疫苗人工智能代理系统：系统设计

Junyu Liu, Siwen Yang, Dexiu Ma, Qian Niu, Zequn Zhang, Momoko Nagai-Tanima, Tomoki Aoyama

机构 * Kyoto University（京都大学） ； University of Waterloo（滑铁卢大学） ； Texas Tech University（德克萨斯技术大学） ； The University of Tokyo（东京大学） ； USTC（中国科学技术大学） 纠错

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

AI总结 本研究设计了一种双用途的人工智能代理系统，通过对话界面提供HPV疫苗信息并生成分析报告，有效应对疫苗犹豫问题。