RAG / 检索增强生成

LINE Conversation History Retrieval for Personal Memory RAG: Evaluating Search Representations and Hybrid Retrieval

用于个人记忆检索增强生成（RAG）的LINE对话历史检索：评估搜索表示与混合检索

Akito Hattori

专题命中 检索器与排序 ：RAG(title,title_cn)；hybrid retrieval(title,abstract)；retrieval-augmented generation(abstract)；retriever(abstract)

AI总结 本研究针对一名用户的LINE对话历史开展检索增强生成的初始案例，构建三种搜索表示并对比多种检索方法，发现特定混合检索配置在100个评估问题上的检索性能最优，但研究存在单用户单标注等局限性。

Comments 16 pages, 6 figures, 10 tables. Exploratory single-user case study

PULSAR: Pooled Unified Late-Interaction Search and Retrieval for Enterprise Visual Document RAG

PULSAR：面向企业视觉文档RAG的池化统一后期交互搜索与检索

Benjamin Constable, Anup Roy, Vishal Sharma, Rishabh Upadhyay, Robin Mills, Aidan Millar

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

AI总结 针对企业视觉文档RAG的检索难题，提出PULSAR系统，采用池化两阶段后期交互索引，在延迟、QPS、成本等指标上显著优于OCR基线，已在生产环境大规模应用。

Comments Accepted at EMNLP 2026 (Industry Track)

CamoDocs: A Poisoning Attack Against Retrieval-Augmented Language Models Using Camouflaged Documents

CamoDocs：针对检索增强语言模型的伪装文档中毒攻击

Jaewon Jung, Haizhong Zheng, Hongsun Jang, Jaeyong Song, Beidi Chen, Jinho Lee

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

AI总结 本研究提出CamoDocs伪装文档中毒攻击，将对抗性文档伪装在良性内容中，在多种RAG防御、LLM及专有模型上实现高攻击成功率，同时避免易被检测的查询重叠痕迹。

Comments Accepted to EMNLP 2026

FinExam-10K: When Retrieval Helps Financial Reasoning?

FinExam-10K：检索如何助力金融推理？

Yan Lin, Jingyu Sun, Zhongliang Guo, Qing Li, Zhuohan Xie, Yuxia Wang

机构 * Newcastle University（纽卡斯尔大学） ； University of Manchester（曼彻斯特大学） ； University of Melbourne（墨尔本大学） ； University of Aberdeen（阿伯丁大学） ； University of Groningen（格罗宁根大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； INSAIT ； Sofia University “St. Kliment Ohridski”（索非亚大学“圣·克利门特·奥赫里德斯基”） 纠错

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

AI总结 本研究推出覆盖CFA与FRM全体系的最大金融推理基准FinExam-10K，测试17个模型后发现FunctionGraph-RAG经门控调用可小幅提升留存题准确率。

Select, Don't Train: The Benefits of Modular Entity Disambiguation with LLM-Based Selection

选择，而非训练：基于大语言模型（LLM）选择的模块化实体消歧的优势

Fina Polat, Daniel Daza, Pengyu Zhang, Klim Zaporojets, Paul Groth

机构 * University of Amsterdam（阿姆斯特丹大学） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； Aarhus University（奥胡斯大学） 纠错

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

AI总结 该研究提出将实体消歧的检索与选择解耦，基于LLM选择器对比不同检索策略，发现无需训练的BM25搭配LLM选择器在ZELDA基准上达到先进性能，还支持检测到检索失败时弃权，提升了实体消歧效果。

Comments Accepted at the 25th International Semantic Web Conference (ISWC 2026), Research Track

Cross-Session Decomposition Attacks: Scaling Risk and Intent-Aligned Retrieval Defense

跨会话分解攻击：规模风险与意图对齐检索防御

Disen Liao, Yihan Wang, Freda Shi, Yaoliang Yu

机构 * University of Waterloo（滑铁卢大学） ； Vector Institute（向量研究所） 纠错

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

AI总结 该研究聚焦跨会话分解攻击的规模风险，提出IntentAlign-MiniLM防御方法，实验显示更大的Qwen3、Gemma3系列模型在该攻击下有害能力提升更显著，所提防御效果优于更大嵌入模型。

Comments 30 pages, 3 figures, EMNLP 2026 Findings

Entity-Memory Graph Retrieval Improves Evidence Coverage in Long-Conversation Question Answering

实体记忆图检索提升长对话问答中的证据覆盖率

Shumao Sun

机构 * Tsinghua University（清华大学） 纠错

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

AI总结 该研究提出实体记忆图检索方法，在10个LoCoMo对话的1986个问题上，使top-k=25的证据召回率提升约4.74个百分点，实现检索覆盖增益。

ITER: Interaction-Aware Retrieval for Agentic Search

ITER：面向智能体搜索的交互感知检索

Haodong Chen, Shuai Wang, Yu Yin, Shengyao Zhuang, Guido Zuccon, Teerapong Leelanupab

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

AI总结 本文提出交互感知稠密检索器ITER，利用智能体轨迹学习信号训练，在六种智能体骨干上优于LRAT，跨智能体鲁棒性强于AgentIR，在两个基准上获显著性能提升。

Gen-TAS: A Generative AI-Aided Hardware-Software Task Allocation Framework for FPGA-GPP Heterogeneous Systems

Gen-TAS：面向FPGA-GPP异构系统的生成式AI辅助软硬件任务分配框架

Mary Kong, Yuqin Zhao, Semih Vazgecen, Cristian Sestito, Themis Prodromakis

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

AI总结 Gen-TAS是一种知识增强LLM框架，结合任务图分析与RAG技术，为FPGA-GPP异构系统生成用户特定的可解释任务分配策略，在CNN、SDR工作负载实验中实现稳定的需求驱动分配，延迟导向场景下获显著加速。

What Makes Agent Memory Useful for Reliable Unanswerable Question Handling?

是什么让智能体记忆对可靠的无答案问题处理有用？

Chuanyuan Tan, Junjie Yu, Yuxin Wang, Yining Zheng, Xipeng Qiu, Wenliang Chen

机构 * School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院） ； Suzhou City University（苏州城市学院） ； Shanghai Key Lab of Intelligent Information Processing（上海智能信息处理重点实验室） ； College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学技术与人工智能学院） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 长文档RAG ：RAG(summary_cn,abstract)；分类 cs.CL

AI总结 该研究在agentic RAG框架下，评估不同记忆方法对UAQ处理的作用，发现记忆提升UAQ性能具选择性，程序与规则类记忆结合互补信号效果最优，可靠UAQ记忆依赖保留可迁移行为指导。

Knowing Before Answering: Decoding Language Models for Reliable RAG

先知后答：为可靠检索增强生成（RAG）解码语言模型

Syed Mahbubul Huq, Christopher Child, Tillman Weyde, Pranava Madhyastha

机构 * City St George’s, University of London（伦敦城市圣乔治大学） ； The Alan Turing Institute（阿兰·图灵研究所） 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RAG中检索信息不足或冲突的问题，构建标注数据集，利用语言模型的隐藏激活等特征训练线性分类器，实现可靠的RAG分类，性能优于基线及专用RAG模型。

Comments Accepted at the Third Conference on Language Modeling (COLM 2026)

Retrieving Relations, Detecting Fallacies: A RAG Approach to Political Debate Analysis

检索关系，检测谬误：一种用于政治辩论分析的RAG方法

Deborah Dore, Greta Damo, Elena Cabrio, Serena Villata

机构 * CNRS（法国国家科学研究中心） ； INRIA（法国国家信息与自动化研究所） ； I3S（信息、信号与系统实验室） 纠错

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

AI总结 该研究针对政治辩论中谬误自动检测的需求，提出引导式RAG方法，利用论证关系动态检索外部知识，在ElecDeb60to20基准上使谬误检测与分类性能显著提升。