RAG / 检索增强生成

How retriever redundancy and diversity impact RAG effectiveness

检索器冗余性与多样性如何影响检索增强生成（RAG）的有效性

Jonathan J Ross, Bevan Koopman, Anton van der Vegt, Guido Zuccon

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

AI总结 本研究探究RAG中检索文档的冗余性与多样性对答案正确性的影响，发现重复冗余与LLM转述无显著增益，而多样文档可将正确性提升17%-47%，并揭示其提升源于体裁多样性，为RAG检索方法优化提供方向。

MathForm: Scaling Mathematical Autoformalization with Knowledge Retrieval and Verification-Guided Refinement

MathForm：结合知识检索与验证引导的迭代优化实现数学自动形式化的规模化

Lushi Pu, Weiming Zhang, Xinheng Xie, Zixuan Fu, Bingxiang He, Hengyu Zhao, Hongya Lyu, Xin Li, Jie Zhou, Yudong Wang

机构 * ModelBest Inc.（ModelBest公司） ； Tsinghua University（清华大学） 纠错

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

AI总结 本研究提出MathForm框架，结合Mathlib知识检索与验证引导迭代优化构建Lean 4数据集，训练的MathForm-8B在多项基准测试中超越同类模型，实现了数学自动形式化的性能提升。

Comments 25 pages, 6 figures, 8 tables

Retrieval Grounding Latent Reasoning for Dense Retrieval

用于密集检索的检索 grounding 潜在推理

Gang Zhou, Xiongxi Yu, Hu Tian, Yang Wei, Lu Pan, Ke Zeng, Shibiao Xu, Xiaolong Zheng

机构 * Meituan（美团） 纠错

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

AI总结 本文提出用于密集检索的 RGLT 框架，结合过程监督蒸馏与检索 grounding 监督优化潜在推理轨迹，在推理密集型检索基准上优于基线且保持高效推理。

Model-agnostic Retrieval-Augmented Extended Forecasting for time series

模型无关的检索增强扩展预测用于时间序列

Juan Pablo Villa Serna, Rohan Asthana, Vasileios Belagiannis

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

AI总结 该研究提出模型无关的RAEF方法，通过改进检索与聚合机制提升时间序列预测性能，其效果优于RAF，兼具高效性与竞争力，可替代微调用于时间序列预测的领域适配。

Comments 6 pages, 1 figure

S2Dialog: Multimodal Dialogue Retrieval with Semantic and Acoustic-Style Modeling

S2Dialog：结合语义与声学风格建模的多模态对话检索

Xueqi Wang, Zhigang Wang, Runqing Zhang, Zhenqi Jia, Junfeng Zhao

机构 * College of Computer Science, Inner Mongolia University（内蒙古大学计算机学院） ； University of Electronic Science and Technology of China, Shenzhen Campus（电子科技大学深圳校区） 纠错

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

AI总结 研究针对现有多模态对话检索方法无法捕捉对话全局语义与风格一致性的问题，提出S2Dialog框架，结合对话级文本与声学检索器及对比学习，在DailyTalk数据集上实现出色检索性能。

IterCOMP: Reasoning-aware Adaptive Prompt Compression for Multi-hop Question Answering

IterCOMP：面向多跳问答的感知推理自适应提示压缩

JungMin Yun, YoungBin Kim

机构 * Chung-Ang University（中央大学） 纠错

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

AI总结 本文针对多跳问答中现有提示压缩方法无法捕捉多跳推理步骤的问题，提出无训练框架IterCOMP，经实验验证其可提升问答指标并减少token预算。

Comments ACL 2026 Main Conference

Building AI-Intensive Software with AI: Early Results and a Cautionary Tale on Measuring Development Cost

用AI构建AI密集型软件：早期成果及关于测量开发成本的警示故事

Victor Barros de Miranda Neves, Kiev Santos da Gama, Vinicius Cardoso Garcia

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

AI总结 本文通过六人学生团队用AI构建对话式入职助手的案例研究，修正了AI密集型软件开发成本测量的两个常见错误，得出修正后的成本比率约为9.9倍，并提出需建立更稳健的成本核算方法。

Comments 4 pages, 2 figures, Accepted for publication at the International Workshop on Intelligent Software Engineering (ISE 2026) @ CBSoft 2026

HAM-RAG: Hierarchy-Aware Multimodal RAG for Structure-Faithful Interleaved Generation

HAM-RAG：面向结构保真交错生成的层级感知多模态检索增强生成

Yin Li, Ziyang Hu, Zhiyu Guo, Xiangyu Liu, Wenbin Li, Boo-Ho Yang, Rav Lawana, Ziyue Li, Wei Zeng, Fugee Tsung

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

AI总结 本文针对现有多模态RAG方法丢失结构化文档层级信息的问题，提出HAM-RAG框架，引入HAM-Bench基准验证，使多模态平均性能提升17.3%，为可靠多模态助手提供了层级感知的基础信号。

How Much Do Legal RAG Systems Still Hallucinate?

法律RAG系统的幻觉问题仍有多严重？

Souvick Das, Sallam Abualhaija, Domenico Bianculli

机构 * SnT, University of Luxembourg（卢森堡大学SnT研究院） 纠错

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

AI总结 本研究针对8个法律RAG系统在两个法律语料库上开展细粒度幻觉分析，发现幻觉普遍存在，不同系统幻觉占比差异大，错误前提问题易引发高幻觉率。

TeachMateGPT: A Multi-Agent Knowledge-Grounded Framework for Pedagogical Assessment Generation from Science Curriculum Materials

TeachMateGPT：面向科学课程材料的多智能体知识基教学评估生成框架

Fatema Tuj Johora Faria, Mukaffi Bin Moin, M. F. Mridha, Jubayer Al Mahmud

机构 * Ahsanullah University of Science and Technology（阿赫桑乌拉科技大学） ； American International University - Bangladesh（孟加拉国美国国际大学） ； Jashore University of Science and Technology（杰索尔科技大学） 纠错

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

AI总结 TeachMateGPT作为多智能体知识基框架，通过四项改进解决现有RAG系统局限，生成的科学评估题提升了忠实度与相关性，相关数据集经教师评分验证。

AnchorBench: A Multi-Pathway Benchmark for the Anchoring Effect in LLMs

AnchorBench：针对大语言模型中锚定效应的多路径基准测试

Yiderigun Borjigin, Alexander Hermann, Christian Cyron, Roland Aydin

机构 * Saarland University（萨尔大学） ； Hamburg University of Technology（汉堡工业大学） ； Helmholtz-Zentrum Hereon（亥姆霍兹中心赫伦） ； German Research Centre for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI）） 纠错

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

AI总结 本文推出针对大语言模型锚定效应的基准测试AnchorBench，经14种模型实验，揭示锚定效应的路径依赖性等特性，发现高控制准确率的前沿模型仍易受合理锚点影响。

Comments Published as a conference paper at COLM 2026

MemoryLake on MemoryArena: A Matched Study of Agent Memory Backends

基于MemoryArena的MemoryLake研究：智能体记忆后端的匹配对比

Chaoqun Zhan, Qiang Zhou, Guannan Li, Zhenqiang Huang, Qianjin Wang

机构 * MemoryLake Team（MemoryLake团队） 纠错

专题命中 RAG评测 ：RAG(abstract,abstract_cn)；分类 cs.AI

AI总结 该研究在MemoryArena的五个任务领域中，对比MemoryLake等三种智能体记忆后端，发现MemoryLake在数学等三个领域成功率最高，整体平均成功率领先，且性能与工作负载相关。

Comments 16 pages, 7 tables