RAG / 检索增强生成

GeoRisk-RAG: A Hierarchy-Aware Risk Framework for Improving RAG Reliability through Selective Answering

GeoRisk-RAG：一种通过选择性回答提升RAG可靠性的层级感知风险框架

Meenu Ravi, Shailik Sarkar, Lulwah AlKulaib, Yordanos Tessema, Chang-Tien Lu

机构 * Virginia Tech（弗吉尼亚理工大学） ； Florida Polytechnic University（佛罗里达理工大学） ； Kuwait University（科威特大学） 纠错

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

AI总结 GeoRisk-RAG是一种层级感知框架，通过选择性回答结合有向无环图距离估计地理适用性，在野火QA数据集上将位置相关问题错误置信率降至0.009，提升RAG可靠性，助力地理空间领域安全决策。

Comments Accepted for CIKM '26 conference

Prompt-Based Abstention Fails Under Misleading Context: A Controlled Study of Small Frozen RAG Models

基于提示的弃权（不执行）在误导性语境下失效：对小型冻结RAG模型的对照研究

Yohanes Andre Setiawan

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

AI总结 该研究针对小型冻结RAG模型发现，基于提示的弃权（不执行）无法区分缺失与误导性证据，提出GRAB-RAG基准并测试多种策略，发现其在误导性问题上表现不佳且验证器无法兼顾覆盖率与安全性。

Comments 20 pages. Committed to AACL-IJCNLP 2026. Code/data to be released

EvoWiki: Incremental State Overwriting and Traceable Question Answering for Cross-Meeting Knowledge Evolution

EvoWiki：面向跨会议知识演化的增量状态覆盖与可追溯问答

Dongsheng Chen, Tianyu Wang, Wenhui Que

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

AI总结 EvoWiki是一种增量问答架构，通过解耦构建与读取、采用状态覆盖协议等技术，在跨会议知识演化任务中提升了事实一致性与可追溯性，在多数据集上准确率显著优于基线。

Comments 12 pages, 5 figures, 10 tables

Training a Knowledge Base: Supervised Structure Learning for Agent-Curated Document Stores

训练知识库：智能体策划文档存储的监督结构学习

Yu Pan, Hongfeng Yu

机构 * University of Nebraska–Lincoln（内布拉斯加大学林肯分校） 纠错

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

AI总结 该研究提出监督式结构学习方法训练知识库，以智能体策划文档存储，提升动作效率与准确率，其泛化性与键覆盖相关，欠训练的存储可通过增加训练问题进一步优化。

Comments 10 pages, 4 figures, 5 tables. Submitted to IEEE BigData 2026

Better Retrieval, Worse Robustness:How Multi-hop RAG Amplifies Upstream ASR Errors

检索效果更好，鲁棒性更差：多跳检索增强生成（RAG）如何放大上游自动语音识别（ASR）错误

Zhenghua Bao

机构 * Continuum AI 纠错

专题命中 长文档RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；dense retrieval(abstract)；分类 cs.IR、cs.CL

AI总结 该研究探究多跳RAG的实体图链接、迭代重述两种扩展方式对上游ASR错误的影响，发现二者会放大错误，其组合使F1差距增大36%-67%，实体损坏是主要失效模式，轻量缓解措施效果有限。

Comments Accepted to EMNLP 2026 (Main Conference)

RAG Collapse: LLM Responses Collapse When Retrieved Documents Are Self-Authored

RAG 坍缩：当检索到的文档为自主生成时，大语言模型（LLM）的响应会发生坍缩

Gregory Druck, Ethan Smith

机构 * Graphite Growth（石墨增长公司） 纠错

专题命中 长文档RAG ：RAG(title,title_cn)；分类 cs.IR、cs.CL

AI总结 该研究发现，当基于LLM的AI系统检索自身生成的参考资料时会发生RAG坍缩，经大量模拟实验证实79.6%的模拟会坍缩，且仅一份自主生成参考资料即可触发该现象。

Comments 36 pages, 31 figures, 4 tables

Automating Multi-Hop RAG Evaluation via TRIAD: From Context Extraction to Validated Dataset Generation

通过TRIAD实现多跳RAG评估自动化：从上下文提取到验证数据集生成

Lorenz Brehme, Adam Jatowt

机构 * University of Innsbruck（因斯布鲁克大学） 纠错

专题命中 长文档RAG ：RAG(title,title_cn)；分类 cs.CL、cs.AI

AI总结 本文提出TRIAD三阶段自动化多跳RAG评估数据集生成方法，经与MuSiQue、HotpotQA对比验证，该生成数据集可有效评估特定领域RAG系统性能，相关代码与验证结果已公开。

Comments Accepted at the 19th International Natural Language Generation Conference (INLG 2026)

DynaKRAG: A Unified Framework for Learnable Evidence Control in Multi-Hop Retrieval-Augmented Generation

DynaKRAG：多跳检索增强生成中可学习证据控制的统一框架

Chenyu Zhou, Yaqi Wu, Xiaolei Guo, Jiaqi Huang, Xianfa Zhang, Junxu Zhang, Zhuo Yu, Zhubo Shi, Jianghao Lin, Dongdong Ge

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Aircraft Manufacturing Co., Ltd.（上海飞机制造有限公司） ； Tongji University（同济大学） 纠错

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

AI总结 研究多跳检索增强生成中证据控制问题，提出DynaKRAG框架，将证据获取表述为状态条件控制，通过有效性层和控制器选择操作，实验表明该框架在多个基准测试中表现出色，证明协调检索等操作的益处。

FashionKG-RAG: Knowledge Graph-Enhanced Retrieval-Augmented Generation for Fashion Question Answering

FashionKG-RAG：面向时尚问答的知识图谱增强检索增强生成

Yujuan Ding, Linyin Luo, Shijie Wang, Xu Yuan, Yunshan Ma, Yi Bin, Wenqi Fan, Qing Li

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.IR

AI总结 针对现有时尚知识图谱的局限性，本文提出全领域知识图谱FashionEcoKG，并开发无需训练的PG-RAG框架，通过双粒度路径重排序模块提升时尚问答的检索与答案准确性，效果优于多种基线方法。

Mitigating Database Leakage in RAG Systems with Keyword-Grounded Fact Substitution

基于关键词锚定的事实替换缓解RAG系统中的数据库泄露

Ziliang Zhang, Yubo Zhu, Wei Tong, Jingyu Hua, Zijian Wang, Yuan Zhang, Sheng Zhong

机构 * Nanjing University（南京大学） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract,abstract_cn)；retriever(abstract)；分类 cs.CL

AI总结 针对RAG系统易受提示注入攻击导致数据库泄露的问题，提出KFS-RAG防御方法，通过关键词锚定的事实替换缓解泄露风险，同时保持响应准确性与相关性，为构建安全可信RAG系统提供可行方案。

SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges

SAG：基于查询时动态超边的SQL检索增强生成

Yuchao Wu, Junqin Li, XingCheng Liang, Yongjie Chen, Yinghao Liang, Linyuan Mo, Guanxian Li

机构 * Zleap AI（智量科技） 纠错

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

AI总结 本研究提出SAG（SQL检索增强生成）架构，通过查询时动态超边实现结构化检索，在HotpotQA等多跳问答基准上性能优于基线，为LLM智能体处理组织知识提供了新方案。

Comments This work was intended as a replacement of arXiv:2606.15971 (https://arxiv.org/abs/2606.15971) and any subsequent updates will appear there

Search Broadly, Seek Evidence on Both Sides, Decide Narrowly: Evidence-Admissible GraphRAG for Longitudinal Clinical Event Verification

广泛搜索、兼顾正反证据、精准决策：面向纵向临床事件验证的证据可接纳图检索增强生成（GraphRAG）

Xingtao Lin, Yubo Feng, Weixin Liu, Hangqi Ren, Junchao Zhou, Caiwan Sun, You Chen

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

AI总结 本研究提出MedEventGraph-RAG框架，通过图结构关联患者临床事件与源证据，兼顾正反证据检索与过滤，在四个数据集的纵向临床事件验证任务中显著提升性能，减少无依据结论。

Comments Submitted to AAAI 2027

ONOTE: Hypergraph-Grounded Omnimodal Reasoning for Computational Music Science

ONOTE：面向专家级音乐智能的多模态记谱处理基准测试

Menghe Ma, Siqing Wei, Yuecheng Xing, Ziyue Zhu, Zhenghong Lin, Yaheng Wang, Fanhong Meng, Peijun Han, Luu Anh Tuan, Haoran Luo

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出ONOTE基准测试，通过确定性流程消除记谱系统偏差，揭示多模态模型在感知准确性和音乐理论理解间的根本分歧。

Evaluating Modern RAG: Textual, Multimodal, Dense, and Late Interaction Pipelines

评估现代RAG：文本、多模态、密集型与后期交互管道

Emre Kuru, Mehmet Onur Keskin

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR

AI总结 该研究针对传统RAG在含视觉元素文档上的局限，提出数据驱动的RAG管道选择方法，评估了文本、多模态等现代RAG管道的性能与效率权衡，为实际应用提供指导。

Coarse Indexing, Fine Evidence: Decoupling Temporal Granularity in Long-Video RAG

粗粒度索引，细粒度证据：解耦长视频检索增强生成中的时间粒度

Zhe Jin, Zhimin Lin, Bin Zheng, Junhua Fang, Huihua Yang

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Soochow University（苏州大学） 纠错

专题命中 多模态RAG ：RAG(title,summary_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 该研究针对长视频RAG中索引与证据粒度耦合的问题，提出无训练的DAGC方法，实现40%-50%节点保留、1.3-1.7倍加速且维持99%问答性能，增益可跨模型迁移。

MCite-RL: Towards Reliable Multimodal RAG via Citation-enhanced Agentic Reinforcement Learning

MCite-RL：基于引用增强型智能体强化学习的可靠多模态检索增强生成

Suifeng Zhao, Zida Liu, Xinyu Lei, Lei Sun, Jun Gao, Sujian Li

机构 * Peking University（北京大学） ； Panasonic Connect Co., Ltd.（松下连接株式会社） 纠错

专题命中 多模态RAG ：RAG(title,summary_cn)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 针对现有多模态RAG存在的视觉引用不准或与答案脱节问题，本文提出MCite-RL框架，通过智能体优化模块和引用增强型奖励机制实现引用精度与答案质量的联合优化，经多基准实验验证有效。

AI University: An LLM-Powered Learning Assistant for Engineering---A Finite Element Method Case Study

AI University：一款面向工程领域的大语言模型驱动学习助手——以有限元法案例研究为例

Mostafa Faghih Shojaei, Rahul Gulati, Benjamin A. Jasperson, Shangshang Wang, Simone Cimolato, Manas Vardhan, Dangli Cao, Willie Neiswanger, Krishna Garikipati

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

AI总结 本研究提出AI-U框架，结合微调LLM、RAG与推理合成模型，以FEM课程为案例开发学习助手，经多维度评估其对齐度优于基础模型，可推广至STEM领域。

Comments 14 pages, 3 figures

DamageScope: Vision-Language Retrieval at Scale for Disaster Damage Assessment from Satellite Imagery

DamageScope：面向卫星图像灾害损失评估的大规模视觉-语言检索方法

Ravi K. Rajendran, Biplob Debnath, Murugan Sankaradas, Srimat T. Chakradhar

机构 * NEC Laboratories America（美国 NEC 实验室） 纠错

专题命中 多模态RAG ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL

AI总结 DamageScope是一种结合VLMs与LLMs的检索增强框架，通过多向量嵌入聚类和双存储架构，实现了卫星图像灾害损失评估的高效自动化，可扩展性与运营效率优异。

Time-Series Retrieval for Grounding Multimodal Language Models in Remaining Useful Life Prediction

用于将多模态语言模型与剩余使用寿命关联的时间序列检索

Valeriu Dimidov, Raphaël Frank

机构 * University of Luxembourg（卢森堡大学） 纠错

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

AI总结 本文提出时间序列检索关联的多模态大语言模型框架，在C-MAPSS基准FD001分区实验显示，该方法可提升RUL预测的误差与稳定性，且效果随模型容量变化。

LëtzCross: A Cross-Lingual Page-Level Benchmark for Multimodal Retrieval over Luxembourgish Documents

LëtzCross：面向卢森堡语文档的多模态检索跨语言页面级基准

Omar El Bachyr, Fred Philippy, Laura Maria Bernardy, Saad Ezzini, Jacques Klein, Tegawende Bissyande

机构 * University of Luxembourg（卢森堡大学） ； King Fahd University of Petroleum and Minerals（法赫德国王石油矿产大学） 纠错

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

AI总结 该研究推出LëtzCross基准，对比纯文本与ColPali式页面图像检索器，发现后者表现更优，还明确单语言微调中法语文对卢森堡语查询表现最高、多语言微调中纳入卢森堡语效果最强。

PolyUQuest: Verifiable Structure-Aware Web RAG over Heterogeneous Graphs

PolyUQuest：基于异构图的可验证结构感知网络检索增强生成

Ying Liu, Yi Ye, Quanyu Feng, Mingxi Ye, Mingtao Zhang, Haoyang Li, Chen Jason Zhang, Qing Li

机构 * The Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 研究针对现有RAG系统不足，提出基于异构图的PolyUQuest框架。通过双层路由器分配查询到三种检索模式，答案可验证。在PolyU官网等评估中，该框架在多方面优于现有系统，还提供交互式界面，准备部署为学生问答服务。

Comments Accepted at CIKM 2026 Demo Track

SchemaRouter: Field-Aware Tool Routing for Efficient Heterogeneous Agentic RAG

SchemaRouter：面向高效异构智能体检索增强生成的字段感知工具路由

Yong-eun Cho

机构 * KailosLab（凯洛斯实验室） 纠错

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

AI总结 SchemaRouter是轻量级字段感知工具路由层，通过模式图实现工具与字段的精准选择，在材料科学基准中，其效率、准确率、工具精确率等表现优于基线，还能提供来源与许可信息。

Comments 13 pages, 4 figures, 6 tables. Code, benchmark, and fixtures: this https URL (https://github.com/JDeun/SchemaRouter_research)

The Laws of Context Allocation: Causal Measurement and Closed-Loop Orchestration in Generative Search

上下文分配定律：生成式搜索中的因果测量与闭环编排

Peiyang Liu, Xi Wang, Di Liang, Wei Ye

机构 * National Engineering Research Center for Software Engineering, Peking University（北京大学国家软件工程研究中心） ； Peking University（北京大学） ； Tencent（腾讯） 纠错

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

AI总结 该研究针对RAG的证据利用测量与上下文预算分配瓶颈，提出因果留一法探针与闭环次模调度器，实现组合召回率提升16.7-20.5个百分点，确立顺序反馈驱动编排为生成式搜索的范式。

Evaluating Inference-Time Defenses Against Package Hallucination in LLM-Generated Code

评估针对大语言模型生成代码中包幻觉的推理时防御措施

Alberick Euraste Djire, Iyiola E. Olatunji, Melissa Tessa, Earl T. Barr, Jacques Klein, Tegawendé F. Bissyandé

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

AI总结 本文针对LLM生成代码的包幻觉问题，修正了评估方法，评估了七种推理时防御措施，提出包效用指标，发现对抗提示下RAG与Self-Refine表现更优，明确防御需匹配威胁模型与效用。

Comments Accepted ASE 2026

Development and Feasibility Evaluation of an Edge AI as Medical Device System for Breast Cancer Multidisciplinary Team Meetings

用于乳腺癌多学科团队会议的边缘人工智能医疗设备系统的开发与可行性评估

Aarzoo Dhiman, Farzana Haque, Kartikae Grover, Lydia Brian Smith, William Stephen Jones

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

AI总结 该研究开发了基于边缘AI的乳腺癌MDT会议系统，利用开源ASR、LLM和RAG实现设备上运行，经评估其ASR与RAG性能优异，证明了该系统的可行性。

IDP AutoOpt: Agent-Driven Optimization of Document Processing Pipeline Configurations

IDP AutoOpt：智能文档处理流水线配置的智能体驱动优化

David Kaleko, Sergey Ivanov, Md Mofijul Islam

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

AI总结 IDP AutoOpt是自主LLM智能体，通过闭环流程优化IDP流水线配置，在多领域任务上性能优于人类专家且成本更低，还可扩展至RAG等其他企业AI系统。

Beyond Two Bytes per Letter: Tokenization Overhead in Cyrillic AI Systems

超越每个字母两字节：西里尔字母AI系统中的分词开销

Ivan Dobrovolskyi

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

AI总结 该研究量化了多语言分词器对西里尔字母语言的分词开销，评估了LLMLingua-2、平衡字节级BPE等缓解策略，指出训练数据分配是开销成因且可在两阶段缓解。

Execution-Anchored Hallucination Calibration Reranking for Verilog Code Generation

面向Verilog代码生成的执行锚定幻觉校准重排序

Guang Yang, Xing Hu, Xiang Chen, Terry Yue Zhuo, Xin Xia

专题命中 RAG评测 ：RAG(abstract,abstract_cn)

AI总结 该研究针对LLM生成Verilog代码时的性能问题，提出EAHC重排序框架，通过双通道架构融合执行与推理信号，解决现有方法的域迁移差和推理幻觉问题。

LLM-Driven Cost-Effective Requirements Change Impact Analysis

基于大语言模型的低成本需求变更影响分析

Romina Etezadi, Sallam Abualhaija, Chetan Arora, Lionel Briand

专题命中 RAG评测 ：RAG(abstract,abstract_cn)

AI总结 本文提出ProReFiCIA方法，利用大语言模型自动识别需求变更影响，实验显示其在未见过的工业数据集上召回率达85.7%，且成本低，仅需审查3%的需求。

Comments 33 pages, 4 figures

CAIA in Practice: Field Evaluation of an AI-Assisted Support System for Text-Based Online Counselling

CAIA实践：AI辅助文本在线咨询支持系统的实地评估

Philipp Steigerwald, Nico Bienlein, Jennifer Burghardt, Mara Stieler, Robert Lehmann, Jens Albrecht

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

AI总结 该研究通过实地评估验证了协同设计的AI辅助文本在线咨询工具CAIA，其7个LLM驱动功能经检索增强生成优化，获34名专业咨询师广泛采用，核心是保障专业自主权与信息准确性，助力心理咨询实践。

Comments Accepted at IEEE ICTAI 2025