RAG / 检索增强生成

Highlight & Summarize: RAG without the jailbreaks

突出与总结：无需劫持的RAG

Giovanni Cherubin, Andrew Paverd

机构 * Microsoft Security Response Center（微软安全响应中心） 纠错

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

AI总结 H&S通过设计防止LLM劫持，采用分阶段处理方式，确保生成模型不接触用户问题，提升问答任务的准确性和质量。

ReFilter: Improving Robustness of Retrieval-Augmented Generation via Gated Filter

ReFilter：通过门控过滤提升检索增强生成的鲁棒性

Yixin Chen, Ying Xiong, Shangyu Wu, Xiangrui Ke, Nan Guan, Chun Jason Xue

机构 * City University of Hong Kong（香港城市大学） ； University of Waterloo（滑铁卢大学） 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 ReFilter通过门控过滤提升检索增强生成的鲁棒性，实现跨领域问答任务的高性能表现。

SCAN: Semantic Document Layout Analysis for Textual and Visual Retrieval-Augmented Generation

SCAN：面向文本和视觉检索增强生成的语义文档布局分析

Nobuhiro Ueda, Yuyang Dong, Krisztián Boros, Daiki Ito, Takuya Sera, Masafumi Oyamada

机构 * NEC Corporation（日本电报电话株式会社） 纠错

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

AI总结 SCAN通过语义文档布局分析提升文本和视觉检索增强生成的性能，实验显示在英语和日语数据集上分别提升9.4和10.4个点。

Visual RAG Toolkit: Scaling Multi-Vector Visual Retrieval with Training-Free Pooling and Multi-Stage Search

视觉RAG工具包：通过无训练池化和多阶段搜索扩展多向量视觉检索

Ara Yeroyan

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 视觉RAG工具包通过无训练池化和多阶段搜索提升多向量视觉检索效率，减少向量存储并提高检索吞吐量。

Comments 4 pages, 3 figures. Submitted to SIGIR 2026 Demonstrations Track. Project website: https://github.com/Ara-Yeroyan/visual-rag-toolkit

CacheMind: From Miss Rates to Why -- Natural-Language, Trace-Grounded Reasoning for Cache Replacement

CacheMind: 从缺失率到原因 -- 基于自然语言和跟踪数据的缓存替换推理

Kaushal Mhapsekar, Azam Ghanbari, Bita Aslrousta, Samira Mirbagher-Ajorpaz

机构 * North Carolina State University（北卡罗来纳州立大学） 纠错

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

AI总结 CacheMind通过自然语言和跟踪数据推理提升缓存替换性能，实现高准确率和实际应用效果。

Comments 16 pages, 13 figures, ASPLOS 2026

Detecting Overflow in Compressed Token Representations for Retrieval-Augmented Generation

检测压缩标记表示中的溢出以用于检索增强生成

Julia Belikova, Danila Rozhevskii, Dennis Svirin, Konstantin Polev, Alexander Panchenko

机构 * Skoltech（斯克利切夫斯基技术学院） ； Sber AI Lab（Sber AI实验室） ； AIRI ； Institute for Information Transmission Problems of the Russian Academy of Sciences（俄罗斯科学院信息传输问题研究所） 纠错

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

AI总结 本文提出了一种检测压缩标记表示中溢出的方法，通过轻量级探测分类器在多个数据集上实现了较高的检测性能，提升了检索增强生成任务的可靠性。

Comments Accepted to EACL 2026 Student Research Workshop. 14 pages, 6 tables, 1 figure

Retrieval-Augmented Self-Taught Reasoning Model with Adaptive Chain-of-Thought for ASR Named Entity Correction

带有自适应思维链的检索增强自教推理模型用于ASR命名实体修正

Junjie An, Jingguang Tian, Tianyi Wang, Yu Gao, Xiaofeng Mou, Yi Xu

机构 * AI Research Institute, Midea Group (Shanghai) Co.,Ltd., China（美的集团（上海）研究院） ； Zhejiang University, China（浙江大学） 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 本文提出一种检索增强自教推理模型，用于改进ASR中命名实体修正，通过自适应思维链和音节级编辑距离提升纠错效果。