RAG / 检索增强生成

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

SustainableQA: A Comprehensive Question Answering Dataset for Corporate Sustainability and EU Taxonomy Reporting

SustainableQA：面向企业可持续发展与欧盟 taxonomy 报告的综合问答数据集

Mohammed Ali, Abdelrahman Abdallah, Adam Jatowt

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

AI总结 该研究推出SustainableQA数据集及配套流水线，生成超19.5万条问答对，经验证质量可靠，80亿参数模型微调后性能优于更大的现有模型，可用于开发评估处理可持续发展合规数据的知识助手。

Comments Accepted to EMNLP 2026 (Main Conference)

Beyond Factual QA: Mentorship-Oriented Question Answering over Long-Form Multilingual Content

超越事实问答：面向长形式多语言内容的指导型问答

Parth Bhalerao, Diola Dsouza, Ruiwen Guan, Oana Ignat

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

AI总结 本文提出MentorQA，首个多语言长形式视频指导型问答数据集和评估框架，通过对比不同架构发现Multi-Agent在复杂和低资源语言中表现更优。