RAG / 检索增强生成

RAG-HAR: Retrieval Augmented Generation-based Human Activity Recognition

RAG-HAR：基于检索增强生成的人类活动识别

Nirhoshan Sivaroopan, Hansi Karunarathna, Chamara Madarasingha, Anura Jayasumana, Kanchana Thilakarathna

机构 * University of Sydney Australia（悉尼大学澳大利亚分校） ； University of Sri Jayewardenepura Sri Lanka（Sri Jayewardenepura大学 Sri Lanka） ； Curtin University Australia（Curtin大学澳大利亚分校） ； Colorado State University USA（科罗拉多州立大学美国分校） 纠错

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

AI总结 RAG-HAR提出一种无需训练的检索增强框架，利用大语言模型实现人类活动识别，通过轻量统计描述符和语义相似样本检索提升识别准确性和实用性。

Comments Accepted to IEEE PerCom 2026 (Pervasive computing and communications)

CDS4RAG: Cyclic Dual-Sequential Hyperparameter Optimization for RAG

CDS4RAG：基于循环双序列的RAG超参数优化

Pengzhou Chen, Tao Chen

机构 * School of Computer Science and Engineering, UESTC, Chengdu, China（电子科技大学计算机科学与工程学院，成都，中国） ； IDEAS Lab, University of Birmingham, Birmingham, UK（伯明翰大学IDEAS实验室，英国布里斯托尔） 纠错

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

AI总结 本文提出CDS4RAG框架，通过循环双序列方法优化RAG的全部超参数，提升检索生成性能，实验显示在24种情况下均优于现有算法。

Comments Accepted by main track at IJCAI 2026

Assessment of RAG and Fine-Tuning for Industrial Question-Answering-Applications

对RAG和微调在工业问答应用中的评估

Jakob Sturm, Josef Pichlmeier, Christian Bernhard, Maka Karalashvili, Johannes Klepsch, Georg Groh, Andre Luckow

机构 * BMW Group（宝马集团） 纠错

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

AI总结 本文通过汽车行业封闭数据集评估RAG和微调在问答系统中的效果，发现RAG在质量和成本效率上优于微调，尤其适用于开源模型。

Comments Accepted at AAAI 2026 Workshop on New Frontiers in Information Retrieval

SAR-RAG: ATR Visual Question Answering by Semantic Search, Retrieval, and MLLM Generation

SAR-RAG：通过语义搜索、检索和MLLM生成实现目标识别的视觉问答

David F. Ramirez, Tim Overman, Kristen Jaskie, Joe Marvin, Andreas Spanias

机构 * SenSIP Center, School of ECEE, Arizona State University（SenSIP中心，电子与计算机工程学院，亚利桑那州立大学） ； Prime Solutions Group Inc（Prime Solutions Group公司） 纠错

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

AI总结 本文提出SAR-RAG方法，结合多模态大语言模型和语义嵌入向量数据库，通过语义搜索和检索提升SAR图像目标识别的准确性，通过分类和回归指标验证效果。

Comments Accepted to 2026 SPIE Defense + Security, Automatic Target Recognition XXXVI

SEM-RAG: Structure-Preserving Multimodal Graph Compilation and Entropy-Guided Retrieval for Telecommunication Standards

SEM-RAG：结构保持的多模态图编译与熵引导检索用于电信标准

Yuzhi Yang, Lina Bariah, Yuhuan Lu, Hang Zou, Mérouane Debbah

专题命中 检索器与排序 ：RAG(title,title_cn)

AI总结 本文提出SEM-RAG框架，通过结构保持编译和熵引导检索提升电信标准文档检索性能，实验显示其在表格和公式密集型问题上表现优异，准确率高达94.1%。

ArchRAG: Attributed Community-based Hierarchical Retrieval-Augmented Generation

ArchRAG: 基于属性社区的分层检索增强生成

Shu Wang, Yixiang Fang, Yingli Zhou, Xilin Liu, Yuchi Ma

机构 * Microsoft（微软） 纠错

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

AI总结 ArchRAG通过引入属性社区和层次聚类方法，提升图数据检索效率与生成准确性，降低token消耗。

Comments Published in Proceedings of the AAAI Conference on Artificial Intelligence, 2026

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(19), 15868-15876, 2026

NyayaAI: An AI-Powered Legal Assistant Using Multi-Agent Architecture and Retrieval-Augmented Generation

NyayaAI：基于多智能体架构和检索增强生成的AI法律助理

Deepanshu, Divi Saxena, Deepali Rana, Ayesha Varshney, Sahinur Rahman Laskar

机构 * School of Computer Science UPES, Dehradun, India（计算机科学学院 UPES 德里胡迪恩印度） 纠错

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

AI总结 本文提出NyayaAI，通过多智能体架构和检索增强生成技术，提升法律信息获取效率，实现法律流程自动化与简化，实验显示其在法律分类、检索和响应准确性上达到70%-74%的精度。

Comments 3 pages, 1 figure

Byte-Exact Deduplication in Retrieval-Augmented Generation: A Three-Regime Empirical Analysis Across Public Benchmarks

检索增强生成中字节精确去重：在公共基准上跨三种模式的实证分析

Sietse Schelpe

机构 * Corbenic AI, Inc.（Corbenic AI公司） 纠错

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

AI总结 本文通过三种不同模式的实证分析，展示了检索增强生成中字节精确去重技术在减少上下文量方面的效果，并证明其在保持模型质量方面无显著退化。

Comments Preprint. Implementation and open-source community version available at: https://github.com/corbenic/merlin-community - https://zenodo.org/records/20090712

A Multi-Survey Machine-Readable Corpus of Milky Way Globular Cluster Parameters for Retrieval-Augmented Generation Applications

一个包含银河系球状星团参数的多调查机器可读语料库用于检索增强生成应用

David C. Flynn

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

AI总结 本文介绍了银河系球状星团语料库v1.3.1，整合了174个银河系球状星团的基本参数，用于检索增强生成应用。

Comments 3 Tables and 4 Figures. Companion data descriptor to the Unified Galaxy HI Rotation Curve Corpus v7 (Zenodo 10.5281/zenodo.19563417). v7: corrected Harris [Fe/H] description to spectroscopic metallicity (Carretta et al. scale) following communication from E. Carretta (INAF Bologna); added Kruijssen et al. (2019) as recommended ages source for v1.4

Don't Retrieve, Generate: Prompting LLMs for Synthetic Training Data in Dense Retrieval

不检索，生成：通过提示LLMs生成合成训练数据用于密集检索

Aarush Sinha

专题命中 检索器与排序 ：dense retrieval(title,abstract)；分类 cs.IR、cs.CL

AI总结 本文提出通过提示大型语言模型生成合成硬负样本，用于密集检索模型训练，通过在10个BEIR基准数据集上评估发现，生成模型性能不优于传统方法。

Merlin: Deterministic Byte-Exact Deduplication for Lossless Context Optimization in Large Language Model Inference

Merlin：用于无损上下文优化的大语言模型推理中的确定性字节精确去重

Sietse Schelpe

机构 * Corbenic AI, Inc.（Corbenic AI公司） 纠错

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

AI总结 Merlin通过高效去重和上下文优化提升大语言模型推理效率，减少冗余文本处理瓶颈，实验显示在高冗余数据中减少71%输入，保持数据完整性。

Comments Preprint. Implementation and open-source community version available at: https://github.com/corbenicai/merlin-community - https://doi.org/10.5281/zenodo.20090991

Architecture Matters More Than Scale: A Comparative Study of Retrieval and Memory Augmentation for Financial QA Under SME Compute Constraints

架构比规模更重要：在中小企业计算限制下的金融问答中检索与记忆增强的比较研究

Jianan Liu, Jing Yang, Xianyou Li, Weiran Yan, Yichao Wu, Penghao Liang, Mengwei Yuan

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

AI总结 本文在中小企业计算限制下比较了检索增强生成和记忆增强推理架构，发现结构化记忆在确定性任务中更精确，而检索方法在对话场景中表现更优，提出混合部署框架以平衡准确性、可审计性和效率。

Comments Accepted at the 2026 6th International Conference on Artificial Intelligence and Industrial Technology Applications (AIITA 2026), to be published by IEEE. 12 pages, 5 figures

RFAmpDesigner: A Self-Evolving Multi-Agent LLM Framework for Automated Radio Frequency Amplifier Design

RFAmpDesigner: 一种自演化多智能体大语言模型框架用于自动射频放大器设计

Hang Lu, Guochang Li, Qianyu Chen, Huiyan Gao, Shaogang Wang, Xuanyu He, Yiwei Liu, Gaopeng Chen, Nayu Li, Xiaokang Qi, Chunyi Song, Zhiwei Xu

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

AI总结 本文提出RFAmpDesigner，通过多智能体框架自动化射频放大器设计，利用资源分配中间件将高维参数调优转化为低维资源分配问题，结合检索增强生成技术，解决射频放大器设计中的数据效率低问题。

Comments 14 pages, 11 figures, 4 tables

VeriRAG: A Retrieval-Augmented Framework for Automated RTL Testability Repair

VeriRAG：一种用于自动RTL可测试性修复的检索增强框架

Haomin Qi, Yuyang Du, Lihao Zhang, Soung Chang Liew, Kexin Chen, Yining Du

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

AI总结 本文提出VeriRAG框架，利用检索增强生成方法实现自动化RTL可测试性修复，通过VeriDFT数据集提升修复成功率，相比零样本基线提升7.72倍。

Comments 8 pages, 5 figures

Journal ref The 27th International Symposium on Quality Electronic Design (ISQED'2026)

Loom: Hybrid Retrieval-Scoring Outfit Recommendation with Semantic Material Compatibility and Occasion-Aware Embedding Priors

Loom：基于语义材料兼容性和场合感知嵌入先验的混合检索-评分服装推荐

Anushree Berlia

专题命中 检索器与排序 ：hybrid retrieval(title)；分类 cs.IR

AI总结 Loom结合神经嵌入检索与结构化领域评分，通过语义材料权重和场合感知嵌入先验生成高质量服装搭配，实验表明其在评分和违规率上显著优于基线方法。

Comments Code: https://github.com/anushreeberlia/loom

Rethinking Agentic Search with Pi-Serini: Is Lexical Retrieval Sufficient?

重新思考Pi-Serini中的代理搜索：词汇检索是否足够？

Tz-Huan Hsu, Jheng-Hong Yang, Jimmy Lin

机构 * University of Waterloo（滑铁卢大学） ； Stencilzeit University of Waterloo（斯泰尔齐特大学） 纠错

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

AI总结 本文探讨了在代理循环中，随着LLM能力提升，词汇检索是否足够。通过结合BM25与前沿LLM，引入Pi-Serini搜索代理，展示其在BrowseComp-Plus上优于现有检索代理的性能。

Comments 15 pages, 4 figures

Attention Grounded Enhancement for Visual Document Retrieval

基于注意力的视觉文档检索增强

Wanqing Cui, Wei Huang, Yazhi Guo, Yibo Hu, Meiguang Jin, Junfeng Ma, Keping Bi

机构 * Alibaba Group（阿里巴巴集团） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

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

AI总结 本文提出AGREE框架，通过多模态大语言模型的注意力机制引导检索器识别相关文档区域，提升细粒度相关性建模，实验表明在ViDoRe V2基准上显著优于传统方法。

Comments Published as a conference paper at SIGIR 2026

The Override Gap: A Magnitude Account of Knowledge Conflict Failure in Hypernetwork-Based Instant LLM Adaptation

覆盖差距：基于超网络的即时LLM适应中知识冲突失败的幅度解释

Shuaizhi Cheng, Xiang Shi, Zhiwei Zhang, Mingwei Li

机构 * Harbin Institute of Technology（哈尔滨工程大学） ； Imperial College London（伦敦帝国理工学院） ； KigLand Machine Learning Lab（KigLand机器学习实验室） 纠错

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

AI总结 研究揭示超网络方法在知识冲突中的失败源于幅度问题，通过选择性层提升和意识冲突内部化技术，显著提升深度冲突准确性，同时保持新知识召回。

Comments 35 pages, 15 figures v2: minor layout fixes and author list update

NumColBERT: Non-Intrusive Numeracy Injection for Late-Interaction Retrieval Models

NumColBERT：非侵入性数值注入用于后期交互检索模型

Haruki Fujimaki, Makoto P. Kato

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

AI总结 NumColBERT通过非侵入性方法提升包含数值条件的检索性能，保留原有机制并引入数值门控机制和对比学习目标，实验表明其优于传统微调基线。

Governing AI-Assisted Security Operations: A Design Science Framework for Operational Decision Support

治理人工智能辅助的安全运营：一种用于操作决策支持的设计科学框架

Elyson A. De La Cruz, Rishikesh Sahay, Md Rasel Al Mamun

机构 * Department of Artificial Intelligence, University of the Cumberlands（人工智能系，坎伯兰大学） ； Department of Management Information Systems, University of Illinois Springfield（管理信息系统系，伊利诺伊大学斯普林菲尔德分校） 纠错

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

AI总结 本文提出了一种设计科学框架，用于在高风险数字基础设施中管理人工智能辅助的操作决策支持，通过定义设计提案、角色问责制、成熟阶段、质量门禁、评估标准和证据边界。

Comments 28 pages, 1 listing, 1 figure, 20 Tables

MILD: Mediator Agent System with Bidirectional Perception and Multi-Layered Alignment for Human-Vehicle Collaboration

MILD：具有双向感知和多层对齐的中介代理系统用于人车协作

Jiyao Wang, Yunbiao Wang, Yubo Jiao, Xiao Yang, Dengbo He, Sasan Jafarnejad, Luis Miranda-Moreno, Raphael Frank, Jiangbo Yu

机构 * Department of Civil Engineering, McGill University（麦吉尔大学土木工程系） ； Systems Hub, The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）系统中心） ； Interdisciplinary Centre for Security, Reliability and Trust, University of Luxembourg（卢森堡大学安全、可靠与信任跨学科中心） 纠错

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

AI总结 本文提出MILD系统，通过双向感知和多层对齐提升人车协作效率，采用ECPO算法确保策略符合安全规范和人类价值观，实验证明其在感知准确性和策略质量上优于基线模型。

A Voronoi Cell Formulation for Principled Token Pruning in Late-Interaction Retrieval Models

基于Voronoi单元的原理化令牌修剪方法：用于晚期交互检索模型

Yash Kankanampati, Yuxuan Zong, Nadi Tomeh, Benjamin Piwowarski, Joseph Le Roux

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

AI总结 本文提出基于超空间几何的Voronoi单元方法，用于原理化修剪晚期交互检索模型中的令牌嵌入，通过保留检索质量的同时减少索引存储开销。

Comments Accepted at SIGIR 2026 Full Paper Track; 11 pages; 7 figures

SLQ: Bridging Modalities via Shared Latent Queries for Retrieval with Frozen MLLMs

SLQ：通过共享潜在查询桥接模态以实现冻结MLLMs的检索

Haoran Lou, Ziyan Liu, Chunxiao Fan, Yuexin Wu, Yue Ming, Hao Wu, Kai Zuo, Yibo Chen, Xu Tang

机构 * School of Electronic Engineering, Beijing University of Posts（北京邮电大学电子工程学院） ； Xiaohongshu Inc., China（小红书公司） 纠错

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

AI总结 SLQ通过冻结MLLMs的主干，引入共享潜在查询提升多模态检索性能，实验显示其在多个基准上表现优异。

Comments Accepted to ICML-2026

Qwen Goes Brrr: Off-the-Shelf RAG for Ukrainian Multi-Domain Document Understanding

Qwen 冰点来袭：面向乌克兰多领域文档理解的即用型RAG

Anton Bazdyrev, Ivan Bashtovyi, Ivan Havlytskyi, Oleksandr Kharytonov, Artur Khodakovskyi

机构 * National Technical University of Ukraine（乌克兰国家技术大学） 纠错

专题命中 向量检索 ：RAG(title,title_cn)；dense retrieval(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 本文提出一种基于RAG的多领域文档理解系统，通过上下文分块、问题感知密集检索与重排序及受限答案生成提升召回率和准确率。

Comments Accepted to The Fifth Ukrainian Natural Language Processing Conference (UNLP 2026)

CCD-Level and Load-Aware Thread Orchestration for In-Memory Vector ANNS on Multi-Core CPUs

面向内存向量近似最近邻搜索的CCD级别和负载感知线程协调

Yuchen Huang, Baiteng Ma, Yiping Sun, Yang Shi, Xiao Chen, Xiaocheng Zhong, Zhiyong Wang, Yao Hu, Chuliang Weng

专题命中 向量检索 ：vector search(abstract)；分类 cs.IR

AI总结 本文提出一种基于CCD架构的线程协调框架，通过优化任务调度和负载平衡，提升多核CPU在内存向量搜索中的吞吐量和响应速度。

Comments Accepted by ICDE'26

HAGE: Harnessing Agentic Memory via RL-Driven Weighted Graph Evolution

HAGE: 通过RL驱动的加权图进化利用代理记忆

Dongming Jiang, Yi Li, Guanpeng Li, Qiannan Li, Bingzhe Li

机构 * Department of Computer Science, The University of Texas at Dallas（德克萨斯大学达拉斯分校计算机科学系） ； Department of Electrical and Computer Engineering, University of Florida（佛罗里达大学电气与计算机工程系） ； University of California, Davis（加州大学戴维斯分校） 纠错

专题命中 向量检索 ：vector search(abstract)；分类 cs.AI

AI总结 HAGE提出了一种加权多关系记忆框架，通过RL驱动的训练框架优化路由行为和边表示，提升长周期推理准确性和效率。

ASTRA-QA: A Benchmark for Abstract Question Answering over Documents

ASTRA-QA：基于文档的抽象问答基准

Shu Wang, Shansong Zhou, Xinyang Wang, Shiwei Wang, Hulong Wu, Yixiang Fang

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Data Science Group（数据科学组） 纠错

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

AI总结 ASTRA-QA是首个针对文档抽象问答的基准，包含869个学术论文和新闻文档问题实例，涵盖五种抽象问题类型和三种检索范围，通过显式标注评估答案覆盖关键点和避免不支持内容。

No Mean Feat: Simple, Strong Baselines for Context Compression

没有平均特征：为上下文压缩提供简单且强大的基线

Yair Feldman, Yoav Artzi

机构 * Department of Computer Science and Cornell Tech（计算机科学系和康奈尔科技） 纠错

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

AI总结 本文提出BenchPress评估套件和简单高效基线，用于上下文压缩，通过双向注意力和均值池化方法提升性能。

Comments Code available at https://github.com/lil-lab/benchpress

Document Retrieval Augmented Fine-Tuning (DRAFT) for safety-critical software assessments

用于安全关键软件评估的文档检索增强微调（DRAFT）

Regan Bolton, Mohammadreza Sheikhfathollahi, Simon Parkinson, Vanessa Vulovic, Gary Bamford, Dan Basher, Howard Parkinson

机构 * Digital Transit Limited, 3M Buckley Innovation Centre, UK, HD1 3BD（数字交通有限公司，3M Buckley创新中心，英国，HD1 3BD） ； Department of Computer Science, University of Huddersfield, UK, HD1 3DH（计算机科学系，赫德瑟菲尔德大学，英国，HD1 3DH） 纠错

专题命中 长文档RAG ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 本文提出DRAFT方法，通过引入双检索架构和半自动化数据集生成，提升大型语言模型在安全关键合规评估中的准确性与证据处理能力。

PrimeKG-CL: A Continual Graph Learning Benchmark on Evolving Biomedical Knowledge Graphs

PrimeKG-CL：一个在演进生物医学知识图谱上的持续图学习基准

Yousef A. Radwan, Yao Li, Qing Qing, Ziqi Xu, Xingtong Yu, Jiaxing Huang, Renqiang Luo, Xikun Zhang

机构 * Technology, Innovation, Entrepreneurship Department（技术、创新与创业系） ； King Abdullah University of Science and Technology（国王阿卜杜勒阿齐兹大学） ； School of Computing and Information Systems（计算与信息系） ； The University of Melbourne（墨尔本大学） ； College of Computer Science and Technology（计算机科学与技术学院） ； School of Computing Technologies（计算技术学院） ； Jilin University（吉林大学） ； RMIT University（皇家墨尔本理工大学） ； Department of Systems Engineering and Engineering Management（系统工程与工程管理系） ； The Chinese University of Hong Kong（香港中文大学） ； Department of Data Science and Artificial Intelligence（数据科学与人工智能系） ； Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 本文提出PrimeKG-CL基准，基于九个权威生物医学数据库构建，包含时间快照、任务和多模态特征，评估六种持续学习策略在不同解码器上的性能，发现解码器选择和策略交互显著，仅DistMult能区分持久与过时知识。