RAG / 检索增强生成

Assessing the Downstream Utility of Evidence-Aware Retrieval in RAG

评估RAG中证据感知检索的下游效用

Utshab Kumar Ghosh, Debayan Mukhopadhyay, Shubham Chatterjee

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

AI总结 本研究在多基准及TREC RAG 2025设置中，考察证据感知检索的下游效用，发现其价值不统一，需针对特定用途评估RAG评估方法。

hoBIT: A Profile-Aware Retrieval-Augmented Chatbot for University Academic Advising

hoBIT：面向大学学术咨询的感知用户画像的检索增强聊天机器人

Yoonseo Kim, Seongmin Lee, Joongheon Kim, SeongKu Kang

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

AI总结 针对大学学术咨询中因用户画像缺失导致的检索证据不适用问题，提出proFILL方法将hoBIT转换为感知用户画像的RAG系统，实验显示其性能优于多种基线且受用户偏好，可低成本本地部署。

Comments Accepted to the System Demonstrations Track at EMNLP 2026

Research Design Tracking and Assessment for the Social Sciences

社会科学研究设计的追踪与评估

Marco Rovera, Sergiu Burlacu, Dominique Cappelletti, Alessio Tomelleri, Sonia Marzadro, Martina Bazzoli, Annalisa Tassi, Jessica Gagete-Miranda

机构 * Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会） ； IRVAPP 纠错

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

AI总结 针对社会科学因果研究设计的人工评估依赖问题，本研究提出ARDTrA任务，构建专家标注数据集，用多轮RAG对话管道评估，发现段落长度是性能主因，且人机任务难度来源独立。

Comments Paper accepted at EMNLP 2026 - Main Conference

pro-team at LLMs4OL 2026 Tasks Flagship and Reuse: Retrieval-Augmented Generation and Vocabulary-Constrained Filtering for Ontology Learning

LLMs4OL 2026任务的团队：旗舰任务与复用：面向本体学习的检索增强生成及词汇约束过滤

Shivam Mishra, Dhannu Ram Meena, Muneendra Ojha, Krishna Pratap Singh, Kuldeep Singh

机构 * Indian Institute of Information Technology Allahabad（印度阿拉哈巴德信息技术学院） 纠错

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

AI总结 该团队针对LLMs4OL 2026挑战赛的两个本体学习任务，采用检索增强生成与词汇约束过滤方法，取得了特定指标结果，但存在未提取非分类关系的局限。

Conversational Recommendation over Live E-Commerce Catalogues with Self-Refreshing Retrieval

基于自刷新检索的直播电商目录对话推荐

Ante Kapetanovic, Tomislav Duricic, Dionizije Fa, Andro Mercep, Emanuel Lacic

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

AI总结 该研究针对电商目录动态变化问题，提出与商家无关的多轮对话购物助手，核心为自刷新检索器，仅处理目录增量，对话层用LLM做意图分类，演示为WhatsApp购物助手。

Comments ACM RecSys 2026, 3 pages, 2 figure, 1 table

Comparing Chunking and Embedding Strategies for Turkish RAG Systems

土耳其检索增强生成（RAG）系统的分块与嵌入策略比较

Mustafa Sertaç Türkel, Fatma Nur Korkmaz, Ahmet Tuğrul Bayrak

机构 * Data Science and Innovation Ata Technology Platforms（阿塔技术平台数据科学与创新部门） 纠错

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

AI总结 该研究针对土耳其语RAG系统，对比三种分块策略、五种嵌入模型和两种生成器LLM，发现布局感知分块可压缩嵌入模型差异，最优配置依内容类型而定，最佳单个组件无法组合出最优整体配置，准确率达87.0%。

Comments Accepted to INTCEC 2026. This is the author's pre-print version. The final authenticated version will be available through the conference proceedings

Towards Expert Financial QA via Self-Improving RAG

面向专家级金融问答的自改进检索增强生成（RAG）

Junjie Xiong, Shawheen Ghezavat, Aum Hirpara

机构 * University of California, Berkeley（加州大学伯克利分校） ； California Polytechnic State University（加州州立理工大学） ； Hofstra University（霍夫斯特拉大学） 纠错

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

AI总结 该研究针对专家级金融问答的合规与防幻觉需求，提出自改进RAG框架，通过三个专门智能体及反馈自校正实现，在FinanceBench数据集上获86%神谕引导准确率，为金融监管应用提供可解释方案。

Comments 17 pages, 2 figures. Accepted at the ICLR 2026 Workshop on Advances in Financial AI

SymbolLKG: Towards Verifiable Logical Reasoning via Logical Knowledge Graph and Symbolic Solvers

SymbolLKG：基于逻辑知识图谱与符号求解器的可验证逻辑推理研究

Haizhao Fan, Yuchi Xiong, Jize Wang, Xinping Guan, Xinyi Le

机构 * Shanghai JiaoTong University（上海交通大学） 纠错

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

AI总结 该研究针对大型语言模型逻辑推理的缺陷，提出结合逻辑知识图谱与动态求解器路由的神经-符号架构，在基准任务上优于现有方法，实现了可验证的高准确率逻辑推理。

Comments 19 pages, 9 figures

GROUND: Reducing Hallucinations in LLM-Based Enterprise Analytics Through Governed Semantic Definitions

GROUND：通过受监管的语义定义减少基于大语言模型的企业分析中的幻觉现象

Aravind Sasidharan Pillai

机构 * Cox Automotive Inc（考克斯汽车公司） 纠错

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

AI总结 该研究提出GROUND框架，通过受监管语义层约束大语言模型生成的企业分析内容，在多模型多数据集测试中消除了所有评估类别的幻觉，保障了数据安全。

A Reranker for Orchestrating Heterogeneous Speech and Text Retrievers

用于协调异构语音和文本检索器的重排序器

Inho Kim, Sumyeong Ahn

机构 * Korea Institute of Energy Technology（韩国能源技术研究院） 纠错

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

AI总结 针对多模态RAG数据库场景，提出STeReO重排序器，构建专用数据集训练后，可有效聚合异构检索结果，显著提升下游问答性能。

Comments Accepted to Interspeech 2026

How AI Experiences Art: Emergent Aesthetic Structure in a Self-Supervised Multimodal Embedding Space

AI如何体验艺术：自监督多模态嵌入空间中的涌现审美结构

Corey D.C. Heath

专题命中 多模态RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)

AI总结 该研究提出自监督多模态嵌入框架，在无显式标签的情况下发现AI的审美结构，探讨其与人类情感标签的差异，可应用于RAG媒体组织与自动标注等场景。

Comments Accepted at ICMI Companion '26 (Companion Publication of the 28th ACM International Conference on Multimodal Interaction), October 5-9, 2026, Napoli, Italy. 4 figures, 2 tables

Why RAGs Hallucinate: Penalty-Aware Evaluation of Retrieval-Augmented Generation Systems with Knowledge-Gap Canaries

检索增强生成系统为何会产生幻觉：基于知识间隔金丝雀的惩罚感知评估

Alden Do Rosario, Hussein Younes, Felipe Pires

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

AI总结 该研究针对RAG系统的幻觉问题，提出惩罚感知评估框架，结合不对称评分、知识间隔金丝雀和失败归因流程，在SimpleQA-Verified数据集上揭示系统差异源于不当作答，而非准确率，相关资源已公开。

Comments 13 pages, 1 figure, 5 tables. Code, full per-request logs, and all judge votes: this https URL (https://github.com/adorosario/why-rags-hallucinate)

Exploring the Role of LLMs in HPC Programming: A Survey

探索大语言模型（LLM）在高性能计算（HPC）编程中的作用：一项综述

Strahinja Ljaljevic, Josep Jorba, Sergio Iserte

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

AI总结 本综述梳理了LLM在HPC编程五大类任务中的应用，指出通用LLM在串行等任务表现尚可但分布式范式不足，领域专用模型准确率更高但范围狭窄，LLM短期内无法取代HPC专家，将成为软件开发的强大合作者，二者融合是长期共同演化过程。

On Scope Classification and Current Knowledge-Editing Benchmarks: A Negative Result, with INLAY as a Gradient-Free Case Study

范围分类与当前知识编辑基准：一项负面结果——以INLAY为例的无梯度案例研究

Aditya Pratap Singh

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

AI总结 该研究指出当前知识编辑基准无法衡量SERAC系列的范围决策，以INLAY为案例验证其结构性缺陷，还披露了INLAY的不足及自身路由机制的两个未影响核心结果的错误。

Comments 12 pages, 5 figures, 6 tables. Code and data: this https URL (https://github.com/Aditya-PS-05/INLAY)