RAG / 检索增强生成

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