RAG / 检索增强生成

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。