RAG / 检索增强生成

MA-RAG: Multi-Agent Retrieval-Augmented Generation for Query-Driven Summarization of Longitudinal Parkinson's Disease Assessments

MA-RAG：用于帕金森病纵向评估查询驱动式摘要的多智能体检索增强生成框架

Sana Alamgeera, Denise Goberta, Muhammad Irshad, Anne H. H. Ngu

机构 * Texas State University（德克萨斯州立大学） 纠错

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

AI总结 针对LLMs解读帕金森病纵向临床评估时的事实与时间一致性问题，提出MA-RAG多智能体检索增强生成框架，经评估其事实精度大幅提升、幻觉率显著降低，获临床专家高度认可。

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 检索器与排序 ：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: [ this https URL (https://metric-ai-lab.github.io/Uzbek-Legal-RAG/) ]( this https URL (https://metric-ai-lab.github.io/Uzbek-Legal-RAG/) )

Configurable Semantic Chunking for Biomedical Information Extraction in Retrieval-Augmented Generation

用于检索增强生成中生物医学信息抽取的可配置语义分块

Riya Ahuja (1 and 2), Tim Kacprowski (1 and 2), Roya Shiasi Sardoabi (1 and 2) ((1) Institute of Data Science in Biomedicine, TU Braunschweig, Braunschweig, Germany, (2) Braunschweig Integrated Centre of Systems Biology, TU Braunschweig, Braunschweig, Germany)

机构 * Institute of Data Science in Biomedicine, Technische Universität Braunschweig（布伦瑞克工业大学生物医学数据科学研究所） 纠错

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

AI总结 针对 BioMedRAG 固定大小分块割裂语义证据的问题，提出可配置语义分块框架，替换其分块构建阶段，在 GM-CIHT 上 F1 值提升 8.4 个百分点，为生物医学 RAG 提供可解释适配方案。

Comments 9 pages, 7 tables

AgenticRag-R1: Agentic Reinforcement Learning with Stack Memory for Multi-Step Reasoning, Retrieval and Memorizing

AgenticRag-R1：用于多步推理、检索与记忆的带栈式记忆的智能体强化学习

Xinke Jiang, Yue Fang, Zhibang Yang, Jiaran Gao, Zhixin Zhang, Tao Feng, Rihong Qiu, Wentao Zhang, Hongxin Ding, Ruizhe Zhang, Yongxin Xu, Yuheng Huang, Xu Chu, Junfeng Zhao, Yasha Wang

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

AI总结 针对现有智能体RAG方法的奖励分配弱、偏向短程推理等问题，提出AgenticRag-R1框架，通过记忆栈等实现长程学习，在多类基准上性能优于强基线。

Detecting and Repairing Hallucinations in Retrieval-Augmented Generation

检测与修复检索增强生成中的幻觉现象

Sai Krishna Reddy Mulakkayala, Niki van Stein, Aske Plaat

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

AI总结 本研究针对检索增强生成（RAG）的幻觉问题，借助RAGTruth基准数据集，对比三种修复策略的效果，发现策略在依据保留权衡上各有侧重，需依据答案有用性选择。

Comments 15 pages, 3 figures, 7 tables. Submitted to BNAIC/BeNeLearn 2026 as a Type A paper

InsightToast: Proactive Information Retrieval & Glanceable Visualization in the Side Channel of Data-Rich Meetings

InsightToast：数据密集型会议侧信道中的主动信息检索与概览式可视化

Mohammad Abolnejadian, Matthew Brehmer

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

AI总结 该研究提出InsightToast应用，可实时监控会议对话并主动检索信息生成见解，16人对比研究显示其能帮助参与者在维持对话的同时做出明智政策决策。

Comments 16 pages, 7 figures, 2 tables. To appear in the Proceedings of the 39th Annual ACM Symposium on User Interface Software and Technology (UIST '26)

Learning from What You Retrieve: Online RL Fine-Tuning for Semantic Retrieval

从检索内容中学习：面向语义检索的在线强化学习微调

Shaowei Wei, Chong Huang, Songtao Fang, Jin Zhang, Zhuojun Wang, Chengfu Huo

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

AI总结 针对电商检索中双编码器与重排器的目标不匹配问题，提出PAO选择性RL优化方法，在冻结文档索引下提升检索性能且优于标准RL与蒸馏基线。

E-SENS: Exclusion-Sensitive Penalization for Negative-Constraint Retrieval

E-SENS：面向负约束检索的排除敏感惩罚

Yerang Kim, Jiyoon Myung, Joohyung Han

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

AI总结 针对检索增强语言模型无法遵守负约束的问题，提出无需训练的重排序方法E-SENS，在ExcluIR数据集的四种嵌入模型上，于保留召回的同时减少了陷阱检索。

Spatial Matryoshka Training for Multi-Granularity Visual Document Retrieval

面向多粒度视觉文档检索的空间嵌套训练

Trishan Singha Roy, Arkadeep Acharya, Vishwajeet Kumar, Jaydeep Sen, Sachindra Joshi

机构 * IBM（国际商业机器公司） 纠错

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

AI总结 针对视觉文档检索的多模态晚期交互检索器存储成本高、压缩级别固定的问题，提出ColSNAP训练方法，可生成嵌套压缩层级，实现灵活的精度-存储权衡，大幅压缩下仍保持检索性能并可迁移至多类骨干网络。

ASTRA - Agentic System for Ticket Resolution and Analysis

ASTRA — 用于工单解决与分析的智能体系统

Shashidhar Reddy Javaji, Mohamed Trabelsi, Jin Cao, Huseyin Uzunalioglu

专题命中 检索器与排序 ：dense retrieval(abstract)；分类 cs.IR、cs.AI

AI总结 提出 ASTRA 智能体系统，通过协调三类专业智能体与优化循环生成证据支持的工单排查报告，在 987 个电信故障工单上取得 4.13/5.0 的平均质量得分，硬件故障诊断存在文本证据渠道的根本局限。

OntoAligner-Ensemble: Voting-Based Fusion across Heterogeneous Ontology Alignment Techniques

OntoAligner-Ensemble：基于投票的异构本体对齐技术融合

Hamed Babaei Giglou, Sören Auer, Peio Popov, Mahsa Sanaei, Jennifer D'Souza

机构 * TIB Leibniz Information Centre for Science and Technology（莱布尼茨科学与技术信息中心） ； L3S Research Center, Leibniz University of Hannover（汉诺威莱布尼茨大学L3S研究中心） ； Graphwise ； University of Tabriz（大不里士大学） 纠错

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

AI总结 该研究提出OntoAligner-Ensemble框架，通过两阶段投票融合策略整合异构OA对齐器，经OAEI八任务验证，可提升精确率-召回率平衡，为OA提供实用集成选择指导。

Comments 14 pages, 1 figure, accepted for OM-2026 workshop at ISWC 2026

When Does Bigger Help? A Controlled Study of LLM Scale for Ontology Learning

更大的模型何时有用？针对本体学习的大语言模型规模的对照研究

Hamed Babaei Giglou, Sören Auer, Jennifer D'Souza

机构 * TIB Leibniz Information Centre for Science and Technology（莱布尼茨科学与技术信息中心（TIB）） ； L3S Research Center（L3S研究中心） ； Leibniz University of Hannover（汉诺威莱布尼茨大学） 纠错

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

AI总结 该研究对照评估13个LLM后发现，模型规模并非本体学习的充分选择标准，架构和系列影响更大，为LLM辅助本体工程提供实证指导。

Comments 14 pages, 1 figure, and 5 tables. WOP 2026 workshop at ISWC 2026

Annotated Surrogate Retrieval for Polish Statutory Law

用于波兰成文法的带注释代理检索

Orkun Yiğit Cengiz

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

AI总结 该研究提出基于文档代理的波兰成文法检索方法（ASCR、ASCR-H、DTF），在法律考试问题数据集上验证，ASCR-H排名1准确率达72.3%，DTF在排名20时领先且成本更低，同时公开了相关基准数据。

Comments 16 pages, 5 figures, 5 tables. Code and data: this https URL (https://github.com/OryCore/Research)

SearchWiki: Learning to Build and Navigate Knowledge Wikis for Active Information Seeking

SearchWiki：学习构建与导航知识Wiki以支持主动信息检索

Guransh Singh, Vishwajeet Kumar, Arkadeep Acharya, Adnan Qidwai, Jaydeep Sen, Sachindra Joshi

机构 * IBM（国际商业机器公司） 纠错

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

AI总结 该研究提出SearchWiki框架，将语料库合成分层可导航Wiki，训练WikiResearcher-9B智能体经强化学习优化导航策略，在多基准测试中表现优于同规模模型，证实结构化语料库学习式导航优于扁平检索。

Efficient GPU Retrieval for Semantic Search

面向语义搜索的高效GPU检索

Dhritiman Das, Chujie Zheng, Ronak Kaoshik, Pratik Dixit, Vishal Shah, Yanbo Li, Jiahao Xu, Manika Agarwal, Chinmay Naik, Lingyu Zhang, Chetan Bhole, Chirag Bhanuprasad Mehta, Meng Zheng, Puneet Singh Ahluwalia, Shirisha Singh, Ping Jin, Manas Apte, Gokulraj Mohanasundaram, Tugrul Bingol, Raghavan Muthuregunathan, Fedor Borisyuk

机构 * LinkedIn（领英） 纠错

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

AI总结 针对领英语义搜索的瓶颈问题，提出策略对齐的GPU检索框架，经实验在多维度指标上显著提升搜索相关性与效率。

Comments 14 pages, 1 figure, 13 tables

Beyond Vector Search: Comparing Classical RAG with Hybrid GraphRAG for Climate Science Q\&A

超越向量搜索：对比经典RAG与混合GraphRAG在气候科学问答中的表现

Daniel Naiff, Ronnie Alves, Gustavo Pinto

专题命中 向量检索 ：RAG(title,title_cn)；vector search(title,abstract)；retrieval-augmented generation(abstract)

AI总结 针对传统RAG无法捕捉科学语料概念层级关系的问题，提出整合向量搜索、GraphRAG等的混合架构，在气候科学问答中相比经典RAG实现相关性与召回率大幅提升，为分散科学文献的高效问答系统提供新方向。

Comments 9 pages

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

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: this https URL (https://hi-q-project.github.io/)

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: this https URL (https://devrimcavusoglu.github.io/reign/)

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)

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。

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

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

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

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