RAG / 检索增强生成

A Voronoi Cell Formulation for Principled Token Pruning in Late-Interaction Retrieval Models

基于Voronoi单元的原理化令牌修剪方法：用于晚期交互检索模型

Yash Kankanampati, Yuxuan Zong, Nadi Tomeh, Benjamin Piwowarski, Joseph Le Roux

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

AI总结 本文提出基于超空间几何的Voronoi单元方法，用于原理化修剪晚期交互检索模型中的令牌嵌入，通过保留检索质量的同时减少索引存储开销。

Comments Accepted at SIGIR 2026 Full Paper Track; 11 pages; 7 figures

MLAIRE: Multilingual Language-Aware Information Retrieval Evaluation Protocal

MLAIRE: 多语言语言感知信息检索评估协议

Youngjoon Jang, Seongtae Hong, Hyeonseok Moon, Heuiseok Lim

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

AI总结 本文提出MLAIRE评估协议，用于评估多语言信息检索中语言感知维度，引入语言偏好率和Lang-nDCG等指标，分析语义检索与查询语言偏好之间的差异。

Retrieval Heads are Dynamic

检索头是动态的

Yuping Lin, Zitao Li, Yue Xing, Pengfei He, Yingqian Cui, Yaliang Li, Bolin Ding, Jingren Zhou, Jiliang Tang

机构 * Michigan State University（密歇根州立大学） ； Zoom Communications（Zoom公司） ； Tongyi Lab, Alibaba Group（阿里云实验室） 纠错

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

AI总结 本文从动态视角研究LLM中的检索头，揭示其时间动态性、不可替代性及与隐藏状态的关联，通过实验验证动态检索头在生成任务中的优势。

Comments Accepted at ACL 2026

LLM-Driven Design Space Exploration of FPGA-based Accelerators

基于FPGA的加速器的LLM驱动的设计空间探索

Vinamra Sharma, Xingjian Fu, Jude Haris, José Cano

机构 * School of Computing Science, University of Glasgow（格拉斯哥大学计算机科学学院） 纠错

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

AI总结 本文提出SECDA-DSE框架，利用大语言模型自动化FPGA加速器的设计空间探索，通过结构化探索器和LLM栈实现高效配置生成与优化。

Comments Accepted to the Workshop on Intelligent System Design (InSyDe) co-located with EuroSys '26

SkillRet: A Large-Scale Benchmark for Skill Retrieval in LLM Agents

SkillRet：一种大规模技能检索基准，用于LLM代理

Hongcheol Cho, Ryangkyung Kang, Youngeun Kim

机构 * ThakiCloud 纠错

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

AI总结 本文提出SkillRet基准，用于评估LLM代理中的技能检索。该基准包含17810个公开技能，提供63259个训练样本和4997个评估查询，通过任务特定微调显著提升了检索性能。

A Replicability Study of XTR

XTR算法的可重复性研究

Rohan Jha, Reno Kriz, Benjamin Van Durme

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

AI总结 本文复现了XTR算法及其训练目标，扩展至知识蒸馏和高效检索引擎，发现XTR在某些场景下不如ColBERT有效，但提升了IVF检索效率。

Comments 8 pages, 4 figures, 3 tables

BlenderRAG: High-Fidelity 3D Object Generation via Retrieval-Augmented Code Synthesis

BlenderRAG: 通过检索增强的代码合成实现高保真的3D物体生成

Massimo Rondelli, Francesco Pivi, Maurizio Gabbrielli

机构 * University of Bologna（博洛尼亚大学） ； Ferrari S.p.A.（法拉利公司） 纠错

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

AI总结 BlenderRAG通过检索增强的代码合成方法，利用500个专家验证的多模态数据集提升Blender代码生成的准确性和一致性，无需微调或专用硬件。

Reproducing Adaptive Reranking for Reasoning-Intensive IR

重现面向推理的自适应重排序

Mandeep Rathee, V Venktesh, Sean MacAvaney, Avishek Anand

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

AI总结 本文通过重现GAR在需要推理的检索基准上的表现，改进了重排序过程，提升了推理密集型检索的效果，同时保持了较低的计算开销。

Comments 7 figures, 11 pages

ProMax: Exploring the Potential of LLM-derived Profiles with Distribution Shaping for Recommender Systems

ProMax：探索基于分布塑造的LLM衍生资料在推荐系统中的潜力

Yi Zhang, Yiwen Zhang, Kai Zheng, Tong Chen, Hongzhi Yin

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

AI总结 本文提出ProMax框架，通过分布塑造技术提升推荐系统性能，利用用户和物品资料的协同关系，改进推荐模型对未见物品的偏好学习。

Comments 11 pages, 8 figures, accepted by SIGIR 2026

Towards Automated Ontology Generation from Unstructured Text: A Multi-Agent LLM Approach

从非结构化文本自动生成本体：一种多智能体LLM方法

Abid Talukder, Maruf Ahmed Mridul, Oshani Seneviratne

机构 * Rensselaer Polytechnic Institute（拉特格斯理工学院） 纠错

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

AI总结 本文提出一种多智能体LLM方法，通过领域特定保险合同实验，验证了在本体生成中规划优先、任务驱动的架构能提升结构质量和查询性。

The Root Theorem of Context Engineering

上下文工程的根定理

Borja Odriozola Schick

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文提出上下文工程的根定理，通过形式化约束推导出信号-token比最大化原则，揭示了连续对话系统中信息质量退化与上下文窗口限制的本质规律。

Comments 17 pages, 2 figures

Enhancing Agentic Textual Graph Retrieval with Synthetic Stepwise Supervision

通过合成的分步监督增强代理文本图检索

Ge Chang, Jinbo Su, Jiacheng Liu, Pengfei Yang, Yuhao Shang, Huiwen Zheng, Hongli Ma, Yan Liang, Yuanchun Li, Yunxin Liu

机构 * Institute for AI Industry Research (AIR), Tsinghua University（人工智能产业研究院（AIR），清华大学） ； Peking University（北京大学） ； School of Information, Renmin University of China（中国人民大学信息学院） ； Harbin Institute of Technology（哈尔滨工业大学） ； North China Electric Power University（华北电力大学） ； GDS Holdings Limited（GDS控股有限公司） 纠错

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

AI总结 本文提出一种基于LLM的文本图检索框架，通过合成分步监督优化检索过程，提升复杂图基问答任务的准确性和F1分数。

ECLASS-Augmented Semantic Product Search for Electronic Components

基于ECLASS的语义产品搜索增强

Nico Baumgart, Markus Lange-Hegermann, Jan Henze

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

AI总结 本文提出利用LLM密集检索和ECLASS层次语义提升电子元件语义搜索效果，实验显示其在准确率和效率上均优于传统方法。

Dual-View Training for Instruction-Following Information Retrieval

双视训练用于遵循指令的信息检索

Qingcheng Zeng, Puxuan Yu, Aman Mehta, Fuheng Zhao, Rajhans Samdani

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

AI总结 本文提出双视数据合成策略，通过极性反转生成互补指令，使检索系统能重新评估候选集以满足指令要求，从而在FollowIR基准上提升45%性能。

Mira-Embeddings-V1: Domain-Adapted Semantic Reranking for Recruitment via LLM-Synthesized Data

Mira-Embeddings-V1：基于LLM合成数据的领域适应语义重排序用于招聘

Zhaohua Liang, Zhilin Wang, Renjie Cao, Yining Zhang

机构 * OpenJobs AI 纠错

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

AI总结 本文提出Mira-Embeddings-V1，通过LLM合成数据重塑嵌入空间并纠正边界混淆，提升招聘领域召回率和精度。

STRIDE: Strategic Iterative Decision-Making for Retrieval-Augmented Multi-Hop Question Answering

STRIDE: 用于检索增强多跳问答的策略迭代决策

Wei Chen, Lili Zhao, Zhi Zheng, HuiJun Hou, Tong Xu

机构 * University of Science ； Technology of China \& State Key Laboratory of Cognitive Intelligence Hefei Anhui China ； Technology of China \& State Key Laboratory of Cognitive Intelligence 纠错

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

AI总结 STRIDE通过分离战略规划、动态控制和 grounded 执行，解决多跳问答中实体早 Commit 和推理依赖缺失的问题，提升推理鲁棒性与准确性。

Comments Accepted by SIGIR 2026 Full Paper. The code repository is available at https://github.com/fanshu6hao/STRIDE

Benchmarking and Enabling Efficient Chinese Medical Retrieval via Asymmetric Encoders

通过不对称编码器评估并实现高效的中文医疗检索

Angqing Jiang, Jianlyu Chen, Zhe Fang, Yongcan Wang, Xinpeng Li, Keyu Ding, Defu Lian

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

AI总结 本文提出CMedTEB基准，结合检索、重排序和语义文本相似性任务，引入CARE不对称检索器，通过两阶段训练策略提升性能，实现高效医疗检索。

Comments 21 pages, 4 figures. Accepted by ACL 2026

A Collection of Systematic Reviews in Computer Science

计算机科学中的系统综述集合

Pierre Achkar, Tim Gollub amd Martin Potthast

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

AI总结 本文提出SR4CS，一个包含1212个计算机科学系统综述的大型数据集，用于评估布尔查询生成、检索和筛选的可重复研究，揭示不同检索方法的精度、召回率差异及零样本生成的局限性。

Comments Accepted at SCOLIA26 Workshop

Unified Supervision for Walmart's Sponsored Search Retrieval via Joint Semantic Relevance and Behavioral Engagement Modeling

通过联合语义相关性和行为参与建模实现沃尔玛赞助搜索检索的统一监督

Shasvat Desai, Md Omar Faruk Rokon, Jhalak Nilesh Acharya, Isha Shah, Hong Yao, Utkarsh Porwal, Kuang-chih Lee

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

AI总结 本文提出一种基于语义相关性和行为参与的统一监督框架，通过结合语义标签、检索先验分数和用户参与信号，提升沃尔玛电子商务赞助搜索检索性能。

Comments Accepted to SIGIR 2026, Industry Track

Whose Facts Win? LLM Source Preferences under Knowledge Conflicts

谁的事实获胜？在知识冲突下LLM的来源偏好

Jakob Schuster, Vagrant Gautam, Katja Markert

机构 * Heidelberg University（海德堡大学） ； Heidelberg Institute for Theoretical Studies（海德堡理论研究所） 纠错

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

AI总结 研究探讨了LLM在知识冲突中的来源偏好，发现其更倾向于机构证实的信息，但可通过重复低可信度来源信息逆转。提出方法减少重复偏差，同时保持大部分偏好。

Comments Data and code: https://github.com/JaSchuste/llm-source-preference

BarrierBench: Evaluating Large Language Models for Safety Verification in Dynamical Systems

BarrierBench: 评估大型语言模型在动态系统安全验证中的性能

Ali Taheri, Alireza Taban, Sadegh Soudjani, Ashutosh Trivedi

机构 * Isfahan University of Technology（伊斯法罕技术大学） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所） ； University of Colorado Boulder（科罗拉多大学博尔德分校） 纠错

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

AI总结 本文提出BarrierBench基准，评估大型语言模型在动态系统安全验证中的能力，通过100个动态系统案例测试语言模型在生成安全证书和协调策略中的有效性。

Comments 8th Annual Learning for Dynamics & Control Conference

Shuffle the Context: RoPE-Perturbed Self-Distillation for Long-Context Adaptation

重组上下文：RoPE扰动的自我蒸馏用于长上下文适应

Zichong Li, Chen Liang, Liliang Ren, Tuo Zhao, Yelong Shen, Weizhu Chen

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Microsoft（微软） 纠错

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

AI总结 本文提出RoPE扰动的自我蒸馏方法，通过扰动RoPE索引生成不同视角的训练序列，提升模型对位置变化的鲁棒性，实验显示在长上下文任务中表现更优。

AMA: Adaptive Memory via Multi-Agent Collaboration

AMA：通过多智能体协作实现自适应记忆

Weiquan Huang, Zixuan Wang, Hehai Lin, Sudong Wang, Bo Xu, Qian Li, Beier Zhu, Linyi Yang, Chengwei Qin

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Shandong University（山东大学） ； Nanyang Technological University（南洋理工大学） ； Southern University of Science and Technology（南方科技大学） 纠错

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

AI总结 本文提出AMA框架，通过多智能体协作实现自适应记忆管理，解决传统方法在记忆粒度和一致性维护上的不足，实验表明其在长上下文任务中表现优异，减少约80%的token消耗。

Comments 8 pages

Mitigating Collaborative Semantic ID Staleness in Generative Retrieval

缓解生成检索中协同语义ID过时问题

Vladimir Baikalov, Iskander Bagautdinov, Sergey Muravyov

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

AI总结 本文提出轻量级、模型无关的SID对齐更新方法，解决时间漂移导致的SID过时问题，提升检索性能并降低训练计算量。

Comments Accepted at SIGIR 2026. This version corresponds to the accepted manuscript

Kwame 2.0: Human-in-the-Loop Generative AI Teaching Assistant for Large Scale Online Coding Education in Africa

Kwame 2.0：面向非洲大规模在线编程教育的人机协同生成式AI助教

George Boateng, Samuel Boateng, Victor Kumbol

机构 * ETH Zurich, Switzerland（苏黎世联邦理工学院，瑞士） ； Charité - Universitätsmedizin Berlin, Germany（柏林夏里特医学院，德国） ； Kwame AI Inc., U.S.（Kwame人工智能公司，美国） 纠错

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

AI总结 Kwame 2.0通过检索增强生成技术，在非洲35个国家的15个班级中为3717名学生提供及时准确的学习支持，结合人类监督和社区参与，有效提升编程课程的教学质量。

Comments 8 pages, Accepted at the 27th International Conference on Artificial Intelligence in Education (AIED 2026)

OctoTools: An Agentic Framework with Extensible Tools for Complex Reasoning

OctoTools: 一个具有可扩展工具的代理框架，用于复杂推理

Pan Lu, Bowen Chen, Sheng Liu, Rahul Thapa, Joseph Boen, James Zou

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 OctoTools通过标准化工具卡、规划器和执行器，提供一种无需训练的多代理框架，实现跨领域复杂推理，其在16种任务中达到9.3%的平均准确率提升。

Comments 88 pages, 18 figures. Accepted to ACL 2026

CHAIRO: Contextual Hierarchical Analogical Induction and Reasoning Optimization for LLMs

CHAIRO：面向LLMs的上下文分层类比归纳与推理优化

Haotian Lu, Yuchen Mou, Bingzhe Wu

机构 * National Engineering Laboratory for Big Data System Computing Technology（国家大数据系统计算技术工程实验室） ； Shenzhen University（深圳大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） 纠错

专题命中 检索器与排序 ：RAG(abstract)；分类 cs.AI

AI总结 本文提出CHAIRO框架，通过类比示例提升规则归纳和决策可靠性，在内容审核中实现更准确和可解释的规则生成。

Comments Accepted to ACL 2026 main conference; under official publication process

PatchRecall: Patch-Driven Retrieval for Automated Program Repair

PatchRecall: 基于补丁的检索用于自动化程序修复

Mahir Labib Dihan, Faria Binta Awal, Md. Ishrak Ahsan

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

AI总结 PatchRecall通过结合代码库检索与历史检索策略，在提升召回率的同时保持简洁，实验表明其在SWE-Bench上实现了更高的召回率且不显著增加检索文件数量，从而提升自动化程序修复效果。

Comments Code is available at https://www.kaggle.com/code/mahirlabibdihan/swe-bench-pag

Retrieval Augmented Conversational Recommendation with Reinforcement Learning

基于强化学习的检索增强对话推荐

Zhenrui Yue, Honglei Zhuang, Zhen Qin, Zhankui He, Huimin Zeng, Julian McAuley, Dong Wang

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

AI总结 本文提出RAR框架，通过动态结合检索与生成提升推荐性能与事实性，构建大规模电影语料库并引入强化学习方法优化候选集。

Persistent Identity in AI Agents: A Multi-Anchor Architecture for Resilient Memory and Continuity

人工智能代理中的持久身份：一种多锚架构用于健壮的记忆和连续性

Prahlad G. Menon

机构 * The Menon Lab（Menon实验室） 纠错

专题命中 检索器与排序 ：RAG(abstract)；分类 cs.AI

AI总结 本文提出多锚架构解决AI代理身份问题，通过分离组件实现持久身份，引入混合RAG+RLM检索系统，提出身份锚点概念，提供身份在部分记忆故障下的持续性方案。

Comments 18 pages, 2 figures. Submitting to arXiv cs.ET (Emerging Technologies)