RAG / 检索增强生成

Beyond RAG vs. Long-Context: Learning Distraction-Aware Retrieval for Efficient Knowledge Grounding

超越RAG与长上下文：学习抗干扰检索以实现高效的知识 grounding

Seongwoong Shim, Myunsoo Kim, Jae Hyeon Cho, Byung-Jun Lee

机构 * Korea University, Decision Making Lab（韩国大学，决策实验室） ； LG CNS 纠错

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

AI总结 本文提出LDAR方法，通过学习抗干扰检索提升知识 grounding 的效率与性能。

Comments Accepted at ICLR 2026

Resisting Contextual Interference in RAG via Parametric-Knowledge Reinforcement

通过参数知识强化来抵御RAG中的上下文干扰

Chenyu Lin, Yilin Wen, Du Su, Hexiang Tan, Fei Sun, Muhan Chen, Chenfu Bao, Zhonghou Lyu

机构 * Baidu Inc.（百度公司） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） 纠错

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

AI总结 Knowledgeable-R1通过参数知识强化提升RAG在知识冲突和一般场景中的鲁棒性与推理准确性，反事实场景中表现优于现有基线。

Comments Accepted to ICLR 2026

Multi-Head RAG: Solving Multi-Aspect Problems with LLMs

多头RAG：利用LLMs解决多方面问题

Maciej Besta, Ales Kubicek, Robert Gerstenberger, Marcin Chrapek, Roman Niggli, Patrik Okanovic, Yi Zhu, Patrick Iff, Michal Podstawski, Lucas Weitzendorf, Mingyuan Chi, Joanna Gajda, Piotr Nyczyk, Jürgen Müller, Hubert Niewiadomski, Torsten Hoefler

机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； IDEAS Research Institute（IDEAS研究 institute） ； NASK National Research Institute（国家研究 institute） 纠错

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

AI总结 多头RAG通过利用Transformer多头注意力机制提升多方面查询的检索准确性，实现更高的检索成功率和下游生成性能。

Retrieval Challenges in Low-Resource Public Service Information: A Case Study on Food Pantry Access

低资源公共信息服务中的检索挑战：食品储藏室访问案例研究

Touseef Hasan, Laila Cure, Souvika Sarkar

机构 * Wichita State University（威斯科州立大学） 纠错

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

AI总结 本文提出了一种基于AI的对话式检索系统，用于解决低资源环境下食品储藏室信息检索的挑战，通过RAG流程提升自然语言查询的准确性与可靠性。

Comments 3 pages, 1 figure

Task-Aware LoRA Adapter Composition via Similarity Retrieval in Vector Databases

基于向量数据库相似性检索的任务感知LoRA适配器组合

Riya Adsul, Balachandra Devarangadi Sunil, Isha Nalawade, Sudharshan Govindan

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

AI总结 本文提出基于向量数据库相似性检索的LoRA适配器组合框架，通过动态合并适配器实现多任务学习，线性合并方法在PIQA和RTE任务上取得显著性能提升。

Error Notebook-Guided, Training-Free Part Retrieval in 3D CAD Assemblies via Vision-Language Models

通过视觉-语言模型实现无训练的3DCAD装配体部件检索：基于错误笔记本的引导

Yunqing Liu, Nan Zhang, Zhiming Tan

机构 * Fujitsu Research & Development Center Shanghai, China（富士通研发中心上海） 纠错

专题命中 检索器与排序 ：RAG(abstract)；分类 cs.AI

AI总结 本研究提出一种无训练的3D CAD部件检索方法，通过结合错误笔记本与RAG技术，显著提升基于VLM的推理性能，实验显示在专有模型和开源模型上均取得显著效果。

Comments Accepted by ICLR 2026

Embedding-Based Context-Aware Reranker

基于嵌入的上下文感知重排序器

Ye Yuan, Mohammad Amin Shabani, Siqi Liu

机构 * McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； RBC Borealis 纠错

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

AI总结 本文提出EBCAR，一种基于嵌入的上下文感知重排序器，通过增强跨段落理解提升信息检索的准确性和效率。

Comments Accepted by ICLR 2026

Disaster Question Answering with LoRA Efficiency and Accurate End Position

利用LoRA效率和准确端位置的灾难问答

Takato Yasuno

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

AI总结 本文提出一种基于日本灾难经验的问答系统，利用LoRA优化实现高准确率的灾难响应问答。

Comments 12 pages, 5 figures

Structured Prompt Language: Declarative Context Management for LLMs

结构化提示语言：面向大语言模型的声明式上下文管理

Wen G. Gong

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

AI总结 结构化提示语言SPL通过声明式框架管理大语言模型的上下文资源，实现高效提示生成和多模型协同，减少65%的模板开销，提升成本透明度和执行效率。

Comments 44 pages, 6 figures, 14 tables, 15 code-listings

Adversarial Intent is a Latent Variable: Stateful Trust Inference for Securing Multimodal Agentic RAG

对抗意图是潜在变量：用于安全多模态代理RAG的状态信任推断

Inderjeet Singh, Vikas Pahuja, Aishvariya Priya Rathina Sabapathy, Chiara Picardi, Amit Giloni, Roman Vainshtein, Andrés Murillo, Hisashi Kojima, Motoyoshi Sekiya, Yuki Unno, Junichi Suga

机构 * Fujitsu Research of Europe, UK（富士通欧洲研究机构，英国） ； Fujitsu Limited, Japan（富士通株式会社，日本） 纠错

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

AI总结 本文提出MMA-RAG^T框架，通过状态化信任推断提升多模态代理RAG的安全性，实验显示攻击成功率显著降低。

Comments 13 pages, 2 figures, 5 tables

Revisiting RAG Retrievers: An Information Theoretic Benchmark

重新审视RAG检索器：一个信息论基准

Wenqing Zheng, Dmitri Kalaev, Noah Fatsi, Daniel Barcklow, Owen Reinert, Igor Melnyk, Senthil Kumar, C. Bayan Bruss

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

AI总结 本文提出MIGRASCOPE基准，通过信息论方法分析RAG检索器的性能、冗余和协同效应，揭示最佳检索器组合策略。

Probabilistic distances-based hallucination detection in LLMs with RAG

基于概率距离的LLM中幻觉检测方法（RAG）

Rodion Oblovatny, Alexandra Kuleshova, Konstantin Polev, Alexey Zaytsev

机构 * Markov Lab, Department of Mathematics（马尔可夫实验室，数学系） ； Computer Science, Saint-Petersburg University（计算机科学，圣彼得堡大学） ； AI Center, Skoltech（人工智能中心，斯克里普丘克技术学院） ； SB AI Lab（SB人工智能实验室） ； AI Center, Skoltech, Risk department, Sber（人工智能中心，斯克里普丘克技术学院，风险部门） 纠错

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

AI总结 本文提出了一种基于概率距离的LLM幻觉检测方法，利用提示标记与响应标记嵌入分布的距离来检测幻觉，具有高效性和可迁移性。

Comments Updated approach to constructing a hallucination detection score. Added results from experiments with the NLI task. The approach with trainable deep kernels has been removed, with a focus on the unsupervised approach