RAG / 检索增强生成

Confundo: Learning to Generate Robust Poison for Practical RAG Systems

Confundo: 学习生成稳健的毒药以应对实际RAG系统

Haoyang Hu, Zhejun Jiang, Yueming Lyu, Junyuan Zhang, Yi Liu, Ka-Ho Chow

机构 * The University of Hong Kong（香港大学） ； Nanjing University（南京大学） ； City University of Hong Kong（香港城市大学） 纠错

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

AI总结 Confundo是一种学习生成毒药的框架，通过微调大型语言模型以提高RAG系统的鲁棒性和隐蔽性，有效应对实际系统中的安全威胁。

CLaRa: Bridging Retrieval and Generation with Continuous Latent Reasoning

CLaRa：通过连续潜在推理弥合检索与生成

Jie He, Richard He Bai, Sinead Williamson, Jeff Z. Pan, Navdeep Jaitly, Yizhe Zhang

机构 * Apple（苹果公司） ； University of Edinburgh（爱丁堡大学） 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 CLaRa通过连续潜在推理框架实现检索与生成的统一优化，提升压缩和重排性能，优于现有基线方法。

Identifying Adversary Tactics and Techniques in Malware Binaries with an LLM Agent

利用LLM代理识别恶意软件二进制中的攻击战术与技术

Zhou Xuan, Xiangzhe Xu, Mingwei Zheng, Louis Zheng-Hua Tan, Jinyao Guo, Tiantai Zhang, Le Yu, Chengpeng Wang, Xiangyu Zhang

专题命中 检索器与排序 ：dense retrieval(abstract)

AI总结 TTPDetect通过结合密集检索与LLM神经检索，利用LLM代理识别恶意软件二进制中的TTPs，实现高精度和召回率。

SpIDER: Spatially Informed Dense Embedding Retrieval for Software Issue Localization

SpIDER：面向软件问题定位的时空感知密集嵌入检索

Shravan Chaudhari, Rahul Thomas Jacob, Mononito Goswami, Jiajun Cao, Shihab Rashid, Christian Bock

机构 * Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； AWS（亚马逊公司） ； AWS AI Labs（亚马逊人工智能实验室） 纠错

专题命中 检索器与排序 ：dense retrieval(abstract)

AI总结 SpIDER通过结合LLM推理和图结构探索信息，提升代码库中相关代码单元的密集检索性能，实验显示在多个编程语言和基准测试中性能提升达13%。

Comments Initial preprint

Credit Risk Estimation with Non-Financial Features: Evidence from a Synthetic Istanbul Dataset

利用非金融特征进行信用风险估计：来自合成伊斯坦布尔数据集的证据

Atalay Denknalbant, Emre Sezdi, Zeki Furkan Kutlu

机构 * Department of Computer Engineering（计算机工程系） ； Bahcesehir University（巴赫切希尔大学） ； Department of Big Data Analytics（大数据分析系） ； Department of Artificial Intelligence（人工智能系） 纠错

专题命中 检索器与排序 ：retrieval augmented generation(abstract)

AI总结 本文通过合成伊斯坦布尔数据集，利用非金融行为属性提升信用风险评估的准确性，展示了替代金融数据在改善信贷评估中的有效性。

InstructLR: A Scalable Approach to Create Instruction Dataset for Under-Resourced Languages

InstructLR: 一种可扩展的方法，用于为资源匮乏语言创建指令数据集

Mamadou K. Keita, Sebastien Diarra, Christopher Homan, Seydou Diallo

机构 * Rochester Institute of Technology（罗切斯特理工学院） ； RobotsMali ； MALIBA-AI 纠错

专题命中 检索器与排序 ：RAG(abstract)

AI总结 InstructLR通过结合LLM生成与双层质量过滤机制，为低资源语言创建高质量指令数据集，促进了三个多领域基准的建立。

Analyzing Diffusion and Autoregressive Vision Language Models in Multimodal Embedding Space

分析扩散模型和自回归视觉语言模型在多模态嵌入空间中的表现

Zihang Wang, Siyue Zhang, Yilun Zhao, Jingyi Yang, Tingyu Song, Anh Tuan Luu, Chen Zhao

机构 * Nanyang Technological University（南洋理工大学） ； Yale University（耶鲁大学） ； NYU Shanghai（纽约大学上海分校） ； Alibaba-NTU Singapore Joint Research Institute（阿里-国立新加坡大学联合研究机构） ； University of the Chinese Academy of Sciences（中国科学院大学） ； Center for Data Science（数据科学中心） ； New York University（纽约大学） 纠错

专题命中 向量检索 ：retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 本文研究了多模态扩散模型在多模态嵌入任务中的表现，发现其在分类、VQA和检索任务中均逊于自回归VLM。

A Human-in-the-Loop, LLM-Centered Architecture for Knowledge-Graph Question Answering

面向知识图谱问答的人机协同、大语言模型中心架构

Larissa Pusch, Alexandre Courtiol, Tim Conrad

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

AI总结 本文提出一种人机协同的大语言模型中心架构，用于知识图谱问答，通过生成Cypher查询并让用户逐步优化，提升复杂数据集的可访问性并保持事实准确性。

Relevance-aware Multi-context Contrastive Decoding for Retrieval-augmented Visual Question Answering

具有相关性的多上下文对比解码用于检索增强的视觉问答

Jongha Kim, Byungoh Ko, Jeehye Na, Jinsung Yoon, Hyunwoo J. Kim

机构 * Korea University（韩国大学） ； KAIST（韩国科学技术院） ； Google Cloud AI（谷歌云人工智能） 纠错

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

AI总结 RMCD通过结合多个相关上下文并抑制无关上下文的负面影响，提升检索增强视觉问答的性能。

Comments WACV 2026

UniRel: Relation-Centric Knowledge Graph Question Answering with RL-Tuned LLM Reasoning

UniRel: 基于强化学习调优的LLM推理关系中心知识图谱问答

Yinxu Tang, Chengsong Huang, Jiaxin Huang, William Yeoh

机构 * Washington University in St. Louis（圣路易斯华盛顿大学） 纠错

专题命中 图谱与结构化RAG ：retriever(abstract)；分类 cs.AI

AI总结 UniRel通过强化学习调优的LLM推理框架，实现关系中心的知识图谱问答，有效识别信息丰富的子图，提升问答性能。

Completing Missing Annotation: Multi-Agent Debate for Accurate and Scalable Relevant Assessment for IR Benchmarks

补全缺失注释：基于多智能体辩论的准确且可扩展的相关性评估框架用于信息检索基准测试

Minjeong Ban, Jeonghwan Choi, Hyangsuk Min, Nicole Hee-Yeon Kim, Minseok Kim, Jae-Gil Lee, Hwanjun Song

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） 纠错

专题命中 RAG评测 ：RAG(abstract)；retriever(abstract)；分类 cs.CL、cs.AI

AI总结 DREAM通过多智能体辩论框架提高IR基准测试的相关性评估准确性，减少人力参与，构建BRIDGE基准并揭示缺失相关片段，改进检索器比较。

Comments Accepted at ICLR 2026

MPIB: A Benchmark for Medical Prompt Injection Attacks and Clinical Safety in LLMs

MPIB：用于医疗提示注入攻击和大语言模型临床安全性的基准

Junhyeok Lee, Han Jang, Kyu Sung Choi

机构 * Seoul National University College of Medicine（首尔国立大学医学院） ； Seoul National University（首尔国立大学） ； Seoul National University College of Medicine, Seoul National University Hospital（首尔国立大学医学院、首尔国立大学医院） 纠错

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

AI总结 MPIB是一个用于评估医疗提示注入攻击和大语言模型临床安全性的基准，通过测量临床危害事件率和攻击成功率来评估模型的安全性。

Comments 13 pages, 7 figures