RAG / 检索增强生成

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。