RAG / 检索增强生成

DRAGOn: Designing RAG On Periodically Updated Corpus

DRAGOn：设计一个定期更新语料库的RAG基准测试

Fedor Chernogorskii, Sergei Averkiev, Liliya Kudraleeva, Zaven Martirosian, Maria Tikhonova, Valentin Malykh, Alena Fenogenova

机构 * SberAI ； MBZUAI ； ITMO ； MISIS ； HSE University（俄罗斯高等经济大学） ； MWS AI ； IITU（俄罗斯联邦信息技术大学） ； YSDA 纠错

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

AI总结 DRAGOn通过定期更新的语料库设计RAG基准测试，提供自动问题生成和评估流程，减少数据泄漏并促进社区参与。

Comments EACL 2026

Copy-Paste to Mitigate Large Language Model Hallucinations

通过复制粘贴缓解大语言模型的幻觉

Yongchao Long, Xian Wu, Yingying Zhang, Xianbin Wen, Yuxi Zhou, Shenda Hong

机构 * Department of Computer Science, Tianjin University of Technology（天津理工大学计算机学院） ； National Institute of Health Data Science, Peking University（北京大学国家健康数据科学研究院） ； Tencent Jarvis Lab（腾讯Jarvis实验室） 纠错

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

AI总结 通过复制粘贴方法提升大语言模型上下文忠实性，减少幻觉并提高测试性能。

Comments Accepted to ICLR 2026

Your Language Model Secretly Contains Personality Subnetworks

你的语言模型秘密包含个性子网络

Ruimeng Ye, Zihan Wang, Zinan Ling, Yang Xiao, Manling Li, Xiaolong Ma, Bo Hui

机构 * University of Tulsa（图兰大学） ； Northwestern University（西北大学） ； University of Arizona（亚利桑那大学） 纠错

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

AI总结 本研究发现大型语言模型内部已嵌入身份子网络，无需外部知识即可实现身份切换和行为调整。

Comments ICLR 2026

BioACE: An Automated Framework for Biomedical Answer and Citation Evaluations

BioACE: 一种用于生物医学答案和引用评估的自动化框架

Deepak Gupta, Davis Bartels, Dina Demner-Fushman

机构 * Division of Intramural Research（院内研究部） ； National Library of Medicine（国家医学图书馆） 纠错

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

AI总结 BioACE提出了一种自动化框架，用于评估生物医学答案和引用的质量，通过多方面指标和实验分析，提供最佳的评估方法。

Comments Work in progress

IRB: Automated Generation of Robust Factuality Benchmarks

IRB: 自动生成鲁棒事实性基准

Lam Thanh Do, Bhagyashree Taleka, Hozaifa Ammar Bhutta, Vikram Sharma Mailthody, Kevin Chen-Chuan Chang, Wen-mei Hwu

专题命中 RAG评测 ：RAG(abstract)；分类 cs.IR

AI总结 IRB通过自动生成鲁棒事实性基准，评估RAG系统事实性，发现前沿LLM在闭书设置中面临挑战，推理LLM更可靠，改进检索组件更有效。

Comments Code: https://github.com/Hozaifa-Bhutta/IRB