RAG / 检索增强生成

Less Finetuning, Better Retrieval: Rethinking LLM Adaptation for Biomedical Retrievers via Synthetic Data and Model Merging

更少微调，更好检索：通过合成数据和模型合并重新思考LLM适应于生物医学检索器

Sameh Khattab, Jean-Philippe Corbeil, Osman Alperen Koraş, Amin Dada, Julian Friedrich, François Beaulieu, Paul Vozila, Jens Kleesiek

机构 * IKIM, University Hospital Essen（IKIM，埃森大学医院） ； Microsoft Healthcare & Life Sciences（微软医疗与生命科学） 纠错

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

AI总结 本文提出STM框架，通过合成数据和模型合并提升生物医学检索性能，实验显示在任务特定专家上提升23.5%并优于基线模型。

Comments Preprint

AIANO: Enhancing Information Retrieval with AI-Augmented Annotation

AIANO：通过AI增强标注提升信息检索

Sameh Khattab, Marie Bauer, Lukas Heine, Till Rostalski, Jens Kleesiek, Julian Friedrich

机构 * Institute for Artificial Intelligence in Medicine (IKIM), University Hospital Essen (AöR)（人工智能医学研究所（IKIM）、埃森大学医院（AöR）） 纠错

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

AI总结 AIANO通过结合人类专业知识与LLM帮助，提升信息检索数据集的创建效率和准确性。

LILaC: Late Interacting in Layered Component Graph for Open-domain Multimodal Multihop Retrieval

LILaC：基于分层组件图的开放域多模态多跳检索中的后期交互

Joohyung Yun, Doyup Lee, Wook-Shin Han

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

AI总结 LILaC通过分层组件图和后期交互子图检索方法，提升开放域多模态多跳检索的精度与效率。

Comments Project page: https://lilac-emnlp2025.github.io/

OMG-Agent: Toward Robust Missing Modality Generation with Decoupled Coarse-to-Fine Agentic Workflows

OMG-Agent：迈向鲁棒缺失模态生成的解耦粗到细代理工作流

Ruiting Dai, Zheyu Wang, Haoyu Yang, Yihan Liu, Chengzhi Wang, Zekun Zhang, Zishan Huang, Jiaman Cen, Lisi Mo

机构 * University of Electronic Science and Technology of China（电子科技大学） 纠错

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

AI总结 OMG-Agent通过解耦粗到细的代理工作流，有效解决多模态数据缺失问题，提升生成的鲁棒性和保真度。

Lessons Learned from Integrating Generative AI into an Introductory Undergraduate Astronomy Course at Harvard

哈佛大学初级大学天文课程中整合生成式人工智能的教训

Christopher W. Stubbs, Dongpeng Huang, Jungyoon Koh, Madeleine Woods, Andrés A. Plazas Malagón

专题命中 长文档RAG ：RAG(abstract)

AI总结 哈佛大学将生成式人工智能整合到初级天文课程中，通过教学工具、作业设计和考试改革，评估其对学生学习效果的影响。

Comments 27 pages, submitted to the Journal of Astronomy and Earth Sciences Education

Automated Extraction of Multicomponent Alloy Data Using Large Language Models for Sustainable Design

利用大语言模型自动化提取多组分合金数据用于可持续设计

Aravindan Kamatchi Sundaram, Mohit Chakraborty, Sai Mani Kumar Devathi, B. Pabitramohan Prusty, Rohit Batra

专题命中 图谱与结构化RAG ：retrieval-augmented generation(abstract)

AI总结 利用大语言模型自动化提取多组分合金数据，构建大规模数据库并用于可持续材料选择。

Comments 18 pages, 6 figures

LinGO: A Linguistic Graph Optimization Framework with LLMs for Interpreting Intents of Online Uncivil Discourse

LinGO：一种结合大语言模型的语言图优化框架，用于解释在线不文明言论的意图

Yuan Zhang, Thales Bertaglia

机构 * University of Zurich（苏黎世大学） ； Utrecht University（乌特雷赫大学） 纠错

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

AI总结 LinGO通过多步骤语言组件优化，提升大语言模型对在线不文明言论意图的识别与解释能力。