RAG / 检索增强生成

SINDI: An Efficient Index for Sparse Vector Approximate Maximum Inner Product Search

SINDI：一种高效的近似最大内积搜索索引

Ruoxuan Li, Xiaoyao Zhong, Jiabao Jin, Peng Cheng, Wangze Ni, Zhitao Shen, Wei Jia, Xiangyu Wang, Heng Tao Shen, Jingkuan Song

专题命中 向量检索 ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；vector search(abstract)；分类 cs.DB

AI总结 SINDI通过高效内积计算、内存友好设计和向量修剪，提升了稀疏向量近似最大内积搜索的效率和性能。

Comments 18 pages, accepted by ICDE 2026. Due to submission limitation for ICDE 2026 (i.e., maximum 6 submissions per author), Lei Chen and Xuemin Lin are not included as authors

Privacy-Preserving LLM Embedding Transmission for End-Cloud Collaboration

面向端云协同的隐私保护大语言模型嵌入传输

Shuaifan Jin, Xiaoyi Pang, Zhibo Wang, He Wang, Jiacheng Du, Jiahui Hu, Kui Ren

专题命中 向量检索 ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)

AI总结 本文针对端云协同中嵌入反转攻击导致的隐私泄露问题，提出基于熵扰动的EntroGuard方法，可在保护嵌入隐私的同时维持检索性能，且无需修改嵌入模型。

Comments Accepted for publication in IEEE Transactions on Networking. This is the Author Accepted Manuscript

PAGE-RAG: Provenance-Aware Graph Evidence Promotion for Fixed-Budget Multi-hop Retrieval-Augmented Generation

PAGE-RAG：面向固定预算多跳检索增强生成的来源感知图证据提升方法

Haokun Deng, Xunkai Li, Hongchao Qin, Rong-Hua Li

专题命中 知识库问答 ：RAG(title,title_cn)；retrieval-augmented generation(title)；retriever(abstract)；分类 cs.AI

AI总结 PAGE-RAG是一种来源感知图证据提升方法，可作为插件插入现有RAG系统，在三个多跳QA基准测试中显著提升支持F1和答案F1指标

Comments 13 pages, 3 figures

MITRE-SAGE: A Multi-Agent Cybersecurity Question-Answering Model

MITRE-SAGE：一种多智能体网络安全问答模型

Ali Habibzadeh, Farid Feyzi, Reza Ebrahimi Atani

机构 * University of Guilan（吉兰大学） 纠错

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

AI总结 针对网络安全领域LLM的不足，研究提出多智能体框架MITRE-SAGE，结合MITRE-QA基准验证其在多项网络安全问答任务中优于基线方法，轻量级配置表现突出。

Learning to Search: A Decision-Based Agent for Knowledge-Based Visual Question Answering

学习搜索：一种基于决策的知识增强视觉问答代理

Zhuohong Chen, Zhenxian Wu, Yunyao Yu, Hangrui Xu, Zirui Liao, Zhifang Liu, Xiangwen Deng, Pen Jiao, Haoqian Wang

机构 * Tsinghua University（清华大学） ； University of Arizona（亚利桑那大学） ； Hefei University of Technology（合肥工业大学） 纠错

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

AI总结 本文提出基于决策的KB-VQA代理，通过多步骤决策过程解决视觉问答问题，改进检索与推理整合，提升对稀有实体和长尾事实的处理能力。

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, Ruiwen Guan, Diola Dsouza, 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。

Hi-Q: Hierarchical Evidence-guided Query Refinement for Multi-Hop Question Answering

Hi-Q：用于多跳问答的分层证据引导查询细化方法

Jueun Kim, Sungho Park, Wook-Shin Han

机构 * POSTECH（浦项科技大学） 纠错

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

AI总结 针对多跳问答中问题与证据粒度不匹配的瓶颈，提出基于证据条件的分层查询细化框架Hi-Q，在全语料检索等设置下，其性能优于IRCoT、PropRAG等基线方法。

Comments 28 pages, 9 figures. Project page: https://hi-q-project.github.io/

Kascade: A Practical Sparse Attention Method for Long-Context LLM Inference

Kascade：一种适用于长上下文LLM推理的实用稀疏注意力方法

Dhruv Deshmukh, Saurabh Goyal, Nipun Kwatra, Ramachandran Ramjee

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

AI总结 Kascade是一种无需训练的稀疏注意力方法，通过锚定层计算Top-k索引并重用，实现长上下文LLM推理中的高效注意力处理。

Comments 11 pages, 8 figures, 3 tables and 1 algorithm

REIGN: Refurbished Embeddings with Integrated Guidance Networks for Efficient Context-Length Scaling

REIGN：采用集成引导网络的翻新嵌入用于高效上下文长度扩展

Devrim Çavuşoğlu, Emre Akbaş

机构 * Middle East Technical University（中东科技大学） ； OBSS AI 纠错

专题命中 长文档RAG ：dense retrieval(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 本研究提出REIGN模型，通过解耦处理与缓存嵌入降低训练成本，在多场景长文档检索中以更小参数规模达到与更大模型相当的性能

Comments Accepted to Findings of EMNLP 2026. URL: https://devrimcavusoglu.github.io/reign/

To Retrieve or To Think? Cross-Boundary Context Evolution for Multi-hop Complex Reasoning

是检索还是思考？一种情境演化的代理方法

Rubing Chen, Jian Wang, Wenjie Li, Xiao-Yong Wei, Qing Li

机构 * Department of Computing, The Hong Kong Polytechnic University（计算系，香港理工大学） 纠错

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

AI总结 本文提出Agentic Context Evolution (ACE)方法，通过代理动态决策在检索与推理间切换，提升知识密集型任务的生成效率与准确性。

Comments Accepted by EMNLP 2026 Findings

Database-Augmented RAG for Automated Repair of REST API Misuses

数据库增强的检索增强生成（RAG）用于REST API误用的自动修复

Shoei Inoue, Norihiro Yoshida, Erina Makihara, Shiyu Yang, Katsuro Inoue

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR

AI总结 本研究构建11种不同数据库结构的RAG配置，对比基线方法，发现按版本和内容类型组织API规范的四数据库RAG方法，能将REST API误用修复率从54.3%提升至88.6%。

Comments Accepted at the 26th International Conference on Software Quality, Reliability, and Security (QRS 2026)

post-graph-rag: A PostgreSQL-Native Bi-Temporal Graph RAG Engine with Temporal Grounding at Synthesis

post-graph-rag：一款原生PostgreSQL图检索增强生成引擎

Chandan Rajah

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

AI总结 post-graph-rag是一款开源PostgreSQL原生图RAG引擎，解决现有图RAG的基础设施、图质量、时间累积问题，在三语料库对比中构建更优图且支持时间演化特性

Comments 31 pages, 6 figures, 15 tables

Gurukul AI: An Interactive AI-Driven Educational Platform for Indian Education System

Gurukul AI：面向印度教育体系的交互式AI驱动教育平台

Isha Narang, Sneh Gosai, Mayank Singh

机构 * Indian Institute of Technology Gandhinagar（印度甘地讷格尔印度理工学院） ； Pandit Deendayal Energy University（潘迪特·迪恩代亚尔能源大学） 纠错

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

AI总结 本研究针对现有AI教育工具不适配印度教育体系的问题，构建了NCERT大纲对齐的问答数据集，微调LLaMA 3.1 8B模型并部署RAG框架，推出交互式教育平台GurukulAI，缩小了全球LLM与印度教育需求的差距。

What and Whose Knowledge? Measuring Epistemic Diversity in Large Language Models

知识多样性与大语言模型中的知识崩溃

Dustin Wright, Sarah Masud, Jared Moore, Srishti Yadav, Maria Antoniak, Peter Ebert Christensen, Chan Young Park, Isabelle Augenstein

机构 * University of Copenhagen（哥本哈根大学） ； Aalborg University Copenhagen（奥胡斯大学哥本哈根分校） ； Stanford University（斯坦福大学） ； University of Colorado Boulder（科罗拉多大学波德分校） ； Microsoft Research（微软研究院） 纠错

专题命中 图谱与结构化RAG ：RAG(summary_cn,abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 本研究通过评估大语言模型的知识多样性，发现模型大小影响多样性，RAG技术提升多样性，但文化背景影响显著，且国家特定信息更偏向英语。

Comments Accepted to EMNLP 2026; 18 pages, 8 figures, 4 tables; v2: Fixed the modeling for table 3, random effect is the model version; v3: Fixed minor formatting issues in tables 2 and 3; v4: Fixed some typos and model description; v5: Updated metadata; v6: Improved search baseline, writing revisions, added comparisons to semantic similarity only approaches; v7 changelog: EMNLP camera ready

SimGuide: Typed Multi-Context User Representations for Preference-Conditioned Agent Planning

SIMGUIDE：用于个性化智能体规划的过程式基础多上下文表示

Chirag Shah

机构 * University of Washington（华盛顿大学） 纠错

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

AI总结 本研究针对个性化AI智能体无法适配用户多场景优先级的问题，提出SIMGUIDE方法，构建SIMBENCH基准验证，发现过程式基础的Sims优于RAG，且表示格式是关键设计变量。

Comments Previous version had some results that were hard to verify or reproduce, so new experiments were done and many parts of the paper were changed to reflect that

Token-Efficient Data Reasoning Agents via Adaptive Structuring of Unstructured Data

通过非结构化数据的自适应结构化实现 token 高效的数据推理智能体

Milad Rezaei Hajidehi, Qitong Wang, Stratos Idreos

机构 * Harvard University（哈佛大学） 纠错

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

AI总结 该研究提出智能体数据拆解方法，通过自适应推测性结构化非结构化数据，降低 LLM 智能体推理成本，在 FanOutQA 基准上实现 53% 的成本削减且保持准确率，为智能体推理数据基础设施提供了初步方案。

Comments 7 Pages, 3 Figures

Extending AI for Research to the Humanities: A Multi-Agent Framework for Evidence-Grounded Scholarship

将人工智能研究扩展到人文学科：一个用于证据基础学术的多智能体框架

Yating Pan, Jiajun Zhang, Jun Wang, Qi Su

机构 * Department of Information Management（信息管理系） ； Research Center for Digital Humanities（数字人文研究中心） ； School of Foreign Languages（外国语言学院） ； Institute for Artificial Intelligence（人工智能研究院） 纠错

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

AI总结 提出SPIRE多智能体框架，通过将人文学科操作建模为协作智能体角色，结合多尺度细读检索，实现基于证据的论证，在古典文献基准上优于现有方法。

Comments Accepted to the Main Conference of EMNLP 2026

NLP-Driven Knowledge Extraction and Thematic Classification of Translated Ancient Indian Medical Texts

NLP驱动的古印度翻译医学文本知识提取与主题分类

M. S. Rajeevan, B. Mini Devi, V. S. Anoop, C. Mallikarjuna

专题命中 图谱与结构化RAG ：knowledge retrieval(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 本研究采用NLP相关技术对古印度翻译医学文本进行知识提取与主题分类，实现阿育吠陀医学智慧的计算组织，提升其可获取性，推动多学科发展。

Comments 19 pages, 8 figures, 5 tables. Presented at the National Conference on "Reimagining LIS Education: Integrating Indian Knowledge Systems with NEP 2020" (March 2025), organized by Tata Institute of Social Sciences (TISS) and the Indian Association of Teachers of Library and Information Science (IATLIS). Recipient of the Best Paper Award

Journal ref In Proc. TISS-IATLIS National Conference 2025: Reimagining LIS Education: Integrating Indian Knowledge Systems with NEP 2020, Vol. 1, p. 351, 2025

CORE-T: COherent REtrieval of Tables for Text-to-SQL

CORE-T: 面向文本到SQL的表格连贯检索

Hassan Soliman, Vivek Gupta, Dan Roth, Iryna Gurevych

机构 * Ubiquitous Knowledge Processing Lab (UKP Lab), Department of Computer Science TU Darmstadt and National Research Center for Applied Cybersecurity ATHENE, Germany（普适知识处理实验室（UKP实验室），计算机科学系 TU Darmstadt 和应用网络安全国家研究中心 ATHENE，德国） ； Arizona State University（亚利桑那州立大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

专题命中 图谱与结构化RAG ：dense retrieval(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 提出CORE-T框架，通过LLM生成元数据和预计算兼容性缓存，在无需训练的情况下从异构表集合中高效检索连贯可连接的表集合，提升表选择F1最多22.7点并减少40%的表数量。

Comments Accepted at EMNLP Main 2026. Camera-ready version with revisions following peer review. Code and data available at: https://github.com/UKPLab/emnlp2026-core-t

BIRD-History: A Benchmark for History-Driven Text-to-SQL with Fine-Grained Knowledge Annotations

BIRD-History：带有细粒度知识标注的历史驱动型Text-to-SQL基准测试

Yunfan Zhou, Qiming Shi, Yizhou Yang, Di Weng, Yingcai Wu

机构 * Zhejiang University（浙江大学） 纠错

专题命中 图谱与结构化RAG ：retriever(abstract)；分类 cs.CL、cs.AI

AI总结 本研究推出带细粒度知识标注的BIRD-History基准测试，针对现有Text-to-SQL系统无法利用历史查询日志处理隐含领域知识的问题，提出插件式检索器，可提升多个Text-to-SQL系统的未明确查询处理性能。

Comments Accepted at Findings of the Association for Computational Linguistics: EMNLP, 2026

Selective Forgetting: A Graph-Based Memory Framework for Long-Term LLM Agents

选择性遗忘：面向长期大语言模型智能体的基于图的记忆框架

Theo Rusu, Sourena Khanzadeh, Manar Alalfi

机构 * Toronto Metropolitan University（多伦多都会大学） ； The Creative School（创意学院） ； Flybits（弗莱比特公司） 纠错

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

AI总结 本研究评估了基于图的长期LLM智能体记忆框架的假设，发现其在LongMemEval上未优于扁平向量基线，但遗忘模块能高效剪枝节点且性能损失小，结果受提取器和单一基准限制。

Beyond Visual Boundaries: Rethinking Scene Segmentation for Movie RAG

超越视觉边界：为电影检索增强生成（RAG）重新思考场景分割

Dong-Hee Kim, Seonwoo Choi, Changbeen Kim, Jungmyung Wi, Juyeon Ko, Youngju Choi, Il Hyeon Mun, Hyunwoo J. Kim, Donghyun Kim

机构 * Korea University（高丽大学） ； KAIST（韩国科学技术院） 纠错

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

AI总结 本文针对电影RAG场景，发现现有场景分割方法不如均匀时间分块，提出以叙事为核心的NarraScene数据集，其生成的片段作为检索单元可提升下游电影理解任务性能。

Doc-REFRAG: Rethinking Multimodal Document Retrieval-Augmented Generation

Doc-REFRAG：重新思考多模态文档检索增强生成

Ruofan Hu, Shengyang Xu, Minjie Hong, Xiaoda Yang, Sashuai Zhou, Ke Lei, Tao Jin, Zhou Zhao

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

AI总结 针对现有多模态RAG模型在多图像场景中准确率有限且计算开销大的问题，提出基于大规模数据集DocLongRAG的问题引导框架Doc-REFRAG，其在六个基准上优于11个基线，实现SOTA准确率且推理延迟更低。

Comments Accepted by EMNLP 2026 Main

Towards a Joint Khmer Text Recognition and Word Segmentation

高棉语文本识别与分词联合模型研究

Marry Kong, Rina Buoy, Sovisal Chenda, Nguonly Taing, Masakazu Iwamura, Koichi Kise

机构 * Techo Startup Center（德科创业中心） ； Ministry of Economy and Finance（经济与财政部） ； Osaka Metropolitan University（大阪公立大学） 纠错

专题命中 多模态RAG ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；knowledge retrieval(abstract)；分类 cs.CL

AI总结 本文提出一种采用CTC解码器的统一模型，实现高棉语文本识别与分词联合，可在不同模态基准数据集上同时完成字符识别与词边界定位，无需额外分词步骤。

Comments 16 pages, 7 figures, 6 tables

Cloud and On-Premises Deployment of Uzbek Legal RAG via Targeted Retriever Fine-Tuning

通过针对性检索器微调实现乌兹别克斯坦法律RAG的云端与本地部署

Tatul Danielyan, Mariam Avetisyan, Hrant Davtyan

机构 * Metric AI Lab 纠错

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

AI总结 针对乌兹别克斯坦低资源语言的法律RAG部署场景，构建两个领域基准，训练开源文本嵌入器UTE-1，提炼实用指南并发布相关资源。

Comments Accepted to EMNLP 2026 (Industry Track). Project home: [https://metric-ai-lab.github.io/Uzbek-Legal-RAG/](https://metric-ai-lab.github.io/Uzbek-Legal-RAG/)

Towards Query-Agnostic RAG Evaluation via Query Coverage and Claim Verifiability

面向查询不可知的RAG评估：基于查询覆盖率与声明可验证性

Jeonghwan Choi, Taewon Yun, Minjeong Ban, Gyeonghun Sun, Jae-Gil Lee, Hwanjun Song

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

AI总结 本文提出Q-CARE框架，通过分解查询与答案实现RAG的细粒度评估，在8个数据集的基准测试中，其评估结果与人工判断的相关性优于现有4种RAG评估指标。

Comments Accepted to COLM 2026

INTRYGUE: Induction-Aware Entropy Gating for Reliable RAG Uncertainty Estimation

INTRYGUE：面向可靠RAG不确定性估计的诱导感知熵门控

Alexandra Kuleshova, Andrei Volodichev, Daria Kotova, Alexey Zaytsev

机构 * Applied AI Institute（应用人工智能研究所） 纠错

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

AI总结 本文提出INTRYGUE方法，通过诱导头激活模式门控预测熵，解决RAG中熵基不确定性估计的机械悖论问题，提升hallucination检测性能。

Comments Accepted to EMNLP 2026 (Main)

Controlled Evaluation of Graph and Multimodal Augmentation in RAG for Document Question Answering

多模态和图增强的检索增强生成（RAG）何时有用？文档问答的对照评估

Sokipriala Jonah, Opeoluwa Akinseloyin, Michael Ajao-Olarinoye, Abiola Babatunde

专题命中 RAG评测 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)

AI总结 研究文档问答中多模态和图增强RAG的作用，提出用多模态图-RAG架构，通过独立检索并融合文本、图和视觉证据源来评估效果。经实验发现其价值取决于多种因素，如检索设计等，还揭示了一些相关问题，如图像检索及生成器效率对结果的影响。

Comments 14 pages, 6 figures

Cross Lingual Transfer in Tulu Legal Comprehension: Script-Dependent Improvement and RAG-Induced Knowledge Conflict

图卢法律理解中的跨语言迁移：依赖文字脚本的性能提升与检索增强生成（RAG）引发的知识冲突

Sindhu Shetty, Spurthi Setty, Natan Vidra

机构 * Stanford Legal Design Lab（斯坦福法律设计实验室） 纠错

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

AI总结 本文针对低资源语言图卢语的法律理解任务，测试了Llama3等三种模型的跨语言迁移效果，发现其性能依赖文字脚本，RAG框架会引发知识冲突，相关评估技术可推广至低资源多语言RAG场景。

Faithfulness Is Not Free: Auditing Offline KV-Cache Quantization in Retrieval-Augmented Generation

忠实性并非免费：审计检索增强生成中的离线键值缓存量化

Atta Ul Asad, Ahsan Bilal, Muhammad Ali, Muhammad Haseeb, Dean F. Hougen

机构 * Air University（空军大学） ； National University of Sciences and Technology (NUST)（国家科学技术大学） ； University of Oklahoma（俄克拉荷马大学） ； Lahore University of Management Sciences (LUMS)（拉合尔管理科学大学） 纠错

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

AI总结 该研究针对检索增强生成的KV缓存量化，以Qwen2.5-7B-Instruct为对象，发现INT4量化会严重损害忠实性且准确性指标无法察觉，强调需在部署压缩缓存前审计忠实性。

Comments Grounding Language Models: Learning Faithfully and Efficiently @ EMNLP 2026