RAG / 检索增强生成

AgriIR: A Scalable Framework for Domain-Specific Knowledge Retrieval

AgriIR：一个可扩展的领域特定知识检索框架

Shuvam Banerji Seal, Aheli Poddar, Alok Mishra, Dwaipayan Roy

机构 * Indian Institute of Science Education ； Research, Kolkata, India Institute of Engineering \& Management, Kolkata, India , , , Contributed equally 纠错

专题命中 检索器与排序 ：knowledge retrieval(title)；RAG(abstract,abstract_cn)；retrieval augmented generation(abstract)；retrieval-augmented generation(abstract)

AI总结 AgriIR通过模块化设计实现领域特定知识检索，结合大语言模型与自适应检索器，确保在资源受限下提供可信答案，推动农业领域的AI应用。

Comments Accepted at ECIR 2026

Tug-of-War within A Decade: Conflict Resolution in Vulnerability Analysis via Teacher-Guided Retrieval-Augmented Generations

十年内的拔河战：通过教师引导的检索增强生成解决漏洞分析中的冲突

Ziyin Zhou, Jianyi Zhang, Xu ji, Yilong Li, Jiameng Han, Zhangchi Zhao

机构 * Beijing Electronic Science and Technology Institute（北京电子科学技术研究所） 纠错

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

AI总结 本文提出CRVA-TGRAG框架，通过改进检索准确性和教师引导的偏好优化，解决CVE检测中的知识冲突问题，提升漏洞检索的准确性和一致性。

From BM25 to Corrective RAG: Benchmarking Retrieval Strategies for Text-and-Table Documents

从BM25到纠正性RAG：文本与表格文档检索策略的基准测试

Meftun Akarsu, Recep Kaan Karaman, Christopher Mierbach

专题命中 检索器与排序 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；dense retrieval(abstract)；hybrid retrieval(abstract)

AI总结 本文对比了十种检索策略，发现混合检索与神经重排序结合的方法在金融问答基准上表现优异，BM25在金融文档中优于最新密集检索，查询扩展方法对精确数值查询帮助有限。

Comments 11 pages, 6 figures, 6 tables

HetaRAG: Hybrid Deep Retrieval-Augmented Generation across Heterogeneous Data Stores

Guohang Yan, Yue Zhang, Pinlong Cai, Ding Wang, Song Mao, Hongwei Zhang, Yaoze Zhang, Hairong Zhang, Xinyu Cai, Botian Shi

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

专题命中 检索器与排序 ：retrieval-augmented generation(title,abstract)；retrieval augmented generation(abstract)；RAG(abstract)；vector search(abstract)

Comments 15 pages, 4 figures

LevelRAG: Enhancing Retrieval-Augmented Generation with Multi-hop Logic Planning over Rewriting Augmented Searchers

Zhuocheng Zhang, Yang Feng, Min Zhang

专题命中 检索器与排序 ：retrieval-augmented generation(title,abstract)；RAG(abstract)；retriever(abstract)；hybrid retrieval(abstract)

Comments First submit

Enhancing Retrieval and Managing Retrieval: A Four-Module Synergy for Improved Quality and Efficiency in RAG Systems

Yunxiao Shi, Xing Zi, Zijing Shi, Haimin Zhang, Qiang Wu, Min Xu

专题命中 检索器与排序 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；retriever(abstract)；knowledge retrieval(abstract)

Comments ECAI2024 #1304

An LLM -Powered Assessment Retrieval-Augmented Generation (RAG) For Higher Education

基于大语言模型的评估检索增强生成（RAG）系统用于高等教育

Reza Vatankhah Barenji, Nazila Salimi, Sina Khoshgoftar

专题命中 检索器与排序 ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)

AI总结 本研究提出基于RAG架构的大语言模型驱动评估系统，通过整合评分标准和范文生成高质量反馈，实现大规模、一致的评估反馈，提升学生自主学习能力。

Comments 19 Pages

OCR Hinders RAG: Evaluating the Cascading Impact of OCR on Retrieval-Augmented Generation

Junyuan Zhang, Qintong Zhang, Bin Wang, Linke Ouyang, Zichen Wen, Ying Li, Ka-Ho Chow, Conghui He, Wentao Zhang

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Peking University（北京大学） ； The University of HongKong（香港大学） ； Shanghai Jiaotong University（上海交通大学） ； Beihang University（北京航空航天大学） 纠错

专题命中 检索器与排序 ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)

Comments Accepted by ICCV 2025

SpeechT-RAG: Reliable Depression Detection in LLMs with Retrieval-Augmented Generation Using Speech Timing Information

Xiangyu Zhang, Hexin Liu, Qiquan Zhang, Beena Ahmed, Julien Epps

专题命中 检索器与排序 ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)

Mitigating the Privacy Issues in Retrieval-Augmented Generation (RAG) via Pure Synthetic Data

Shenglai Zeng, Jiankun Zhang, Pengfei He, Jie Ren, Tianqi Zheng, Hanqing Lu, Han Xu, Hui Liu, Yue Xing, Jiliang Tang

专题命中 检索器与排序 ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)

RAG-RewardBench: Benchmarking Reward Models in Retrieval Augmented Generation for Preference Alignment

Zhuoran Jin, Hongbang Yuan, Tianyi Men, Pengfei Cao, Yubo Chen, Kang Liu, Jun Zhao

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

Comments 26 pages, 12 figures, 6 tables

Pistis-RAG: Enhancing Retrieval-Augmented Generation with Human Feedback

Yu Bai, Yukai Miao, Li Chen, Dawei Wang, Dan Li, Yanyu Ren, Hongtao Xie, Ce Yang, Xuhui Cai

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

Medical Graph RAG: Towards Safe Medical Large Language Model via Graph Retrieval-Augmented Generation

Junde Wu, Jiayuan Zhu, Yunli Qi, Jingkun Chen, Min Xu, Filippo Menolascina, Vicente Grau

专题命中 检索器与排序 ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)

Retail-GPT: leveraging Retrieval Augmented Generation (RAG) for building E-commerce Chat Assistants

Bruno Amaral Teixeira de Freitas, Roberto de Alencar Lotufo

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

Comments 5 pages, 4 figures

Teaching Nemotron Greek: Mining a Corpus, Adapting Retrieval, and Grounding Generation for Modern Greek across Specialist Domains

让Nemotron学习希腊语：针对专业领域现代希腊语的语料库挖掘、检索适配与生成落地

Ayoub Kirouane, Christos Petrocheilos

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

AI总结 本研究针对现代希腊语缺失于Nemotron检索模型及主流多语言基准的问题，提出Nemotron检索栈的端到端适配方案，含语料库挖掘等步骤，推出首个希腊语RAG基准HERA，适配后的模型在多项指标上显著提升。

Comments 15 pages, 10 figures, 7 tables. Includes release of the HERA benchmark and Sophea Nemo RAG models

Private Anytime Selective-Risk Certification for Federated Retrieval-Augmented Generation: Guarantees and Empirical Limits

面向联邦检索增强生成的私有任意时刻选择性风险认证：保证与经验极限

Sanjeda Akter, Ibne Farabi Shihab, Anuj Sharma

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

AI总结 本研究提出Fed-SRC这一适用于联邦RAG的私有任意时刻选择性风险认证方法，经实验验证其在多数场景下可满足风险保证，性能优于对比方法。

SentAttack: A Sentence-Level Black-Box Adversarial Attack Method for Dense Retrieval Models

SentAttack：一种用于密集检索模型的句子级黑盒对抗攻击方法

Luping Wei, Yamin Hu, Sihan Shang, Shiyin Wang, Wenjian Luo

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

AI总结 针对密集检索模型对抗攻击问题，提出SentAttack句子级黑盒攻击方法。先通过与黑盒系统交互收集训练代理模型数据，再用代理模型聚类相关文档生成对抗候选句，经优化提升攻击效果。

Improving Access to Historical Archives with Real-time RAG-based Systems

利用基于实时检索增强生成（RAG）的系统改善对历史档案的访问

Stergios Konstantinidis, Hayman Lotfy, Alexis Erne, Faruk Zahiragic, Min-Yen Kan, Michalis Vlachos

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

AI总结 研究针对数字化历史档案访问难题，提出集成大语言模型的端到端框架，含OCR优化模块和语义检索重排管道，实验表明能减少OCR错误并提升检索效果，使档案系统更具交互性和语义可搜索性。

Hybrid-IR: Dual-Path Hybrid Retrieval with Iterative Reasoning for Complex Medical Question Answering

Hybrid-IR: 面向复杂医学问答的双路径混合检索与迭代推理

Sheng Wan, Jiahui Zhang, Zicheng Zhao, Shougang Ren

机构 * College of Artificial Intelligence, Nanjing Agricultural University（南京农业大学人工智能学院） ； School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） 纠错

专题命中 检索器与排序 ：hybrid retrieval(title)；RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；dense retrieval(abstract)

AI总结 提出Hybrid-IR框架，结合图检索与稠密检索的双路径检索机制，并通过迭代检索-推理循环逐步优化推理轨迹，有效解决复杂医学问答中知识碎片化和静态检索不足的问题。

Privacy Policy Enforcement Guardrails for Data-Sensitive Retrieval-Augmented Generation

面向数据敏感检索增强生成的隐私策略执行护栏

Osama Zafar, Alexander Nemecek, Yiqian Zhang, Wenbiao Li, Debargha Ganguly, Vikash Singh, Vipin Chaudhary, Erman Ayday

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

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

AI总结 针对RAG系统中上下文数据泄露问题，提出基于双单类密度估计器与融合文本嵌入的隐私策略执行框架，在医学、金融和法律领域实现高AUROC和低误报率。

Memento: Personalized RAG-Style Long-Retention Data Scaling for META Ads Recommendation

Memento: 面向Meta广告推荐的个性化RAG式长期数据扩展

Xiaoyu Chen, Ruichen Wang, Jieming Di, Suofei Feng, Nafis Abrar, Lilly Kumari, Tony Tsui, Yilin Liu, Yu Lu, Sowmya Patapati, Junwei Xiong, Qiao Yang, Dorothy Sun, Yang Cao, Victor Chen, Pan Chen, Ramsundar Sundarkumar, Shivendra Pratap Singh, Arnold Overwijk, Ling Leng, Dinesh Ramasamy, Sri Reddy, Robert Malkin, Sandeep Pandey

专题命中 检索器与排序 ：RAG(title,title_cn)；分类 cs.IR

AI总结 提出Memento框架，通过个性化检索增强生成（RAG）方式，利用最大边际相关性（MMR）从用户历史行为中检索相关交互，解决长历史数据建模中的注意力稀释、系统效率和灾难性遗忘问题，在广告推荐中提升点击率1%和转化率1.2%。

LIT-RAGBench: Benchmarking Generator Capabilities of Large Language Models in Retrieval-Augmented Generation

LIT-RAGBench：大型语言模型检索增强生成能力的基准测试

Koki Itai, Shunichi Hasegawa, Yuta Yamamoto, Gouki Minegishi, Masaki Otsuki

机构 * neoAI Inc.（neoAI公司） ； Tokyo Metropolitan University（东京 Metropolitan 大学） ； The University of Tokyo（东京大学） 纠错

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

AI总结 LIT-RAGBench通过五个类别评估生成器的整合、推理、逻辑、表格和回避能力，提供统一的基准测试框架，用于评估多方面能力并指导模型选择与改进。

Comments Published as a conference paper at LREC 2026

On the Vulnerability of Applying Retrieval-Augmented Generation within Knowledge-Intensive Application Domains

Xun Xian, Ganghua Wang, Xuan Bi, Jayanth Srinivasa, Ashish Kundu, Charles Fleming, Mingyi Hong, Jie Ding

机构 * Department of ECE University of Minnesota（电子工程系明尼苏达大学） ； Data Science Institute University of Chicago（数据科学研究所芝加哥大学） ； Carlson School of Management University of Minnesota（卡尔森管理学院明尼苏达大学） ； Department of Surgery University of Minnesota（外科系明尼苏达大学） ； Cisco Research（思科研究） ； School of Statistics University of Minnesota（统计学学院明尼苏达大学） 纠错

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

Comments Accepted by ICML 2025

CG-RAG: Research Question Answering by Citation Graph Retrieval-Augmented LLMs

Yuntong Hu, Zhihan Lei, Zhongjie Dai, Allen Zhang, Abhinav Angirekula, Zheng Zhang, Liang Zhao

专题命中 检索器与排序 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；dense retrieval(abstract)；hybrid retrieval(abstract)

Comments 10 pages, 2 figures

Corrective Retrieval Augmented Generation

Shi-Qi Yan, Jia-Chen Gu, Yun Zhu, Zhen-Hua Ling

专题命中 检索器与排序 ：retrieval augmented generation(title,abstract)；retrieval-augmented generation(abstract)；RAG(abstract)；knowledge retrieval(abstract)

Comments Update results, add more analysis, and fix typos

With Argus Eyes: Assessing Retrieval Gaps via Uncertainty Scoring to Detect and Remedy Retrieval Blind Spots

用Argus之眼：通过不确定性评分评估检索缺口以检测并弥补检索盲区

Zeinab Sadat Taghavi, Ali Modarressi, Hinrich Schutze, Andreas Marfurt

机构 * Lucerne University of Applied Sciences and Arts (HSLU)（卢塞恩应用科学与艺术大学） ； Center for Information and Language Processing (CIS), Ludwig Maximilian University of Munich (LMU)（信息与语言处理中心（CIS），慕尼黑路德维希-马克西米利安大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） 纠错

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

AI总结 ARGUS通过文档增强技术提升检索器对高风险实体的检索能力，有效减少检索盲区，提高RAG系统的可靠性。

Comments 8 pages

LTRR: Learning To Rank Retrievers for LLMs

基于LLM的检索排名学习检索器

To Eun Kim, Fernando Diaz

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本文提出LTRR框架，通过动态选择检索器提升RAG性能，实验表明基于路由的RAG在多种基准上优于单一检索器，尤其在使用AC目标和成对排名时效果显著。

Comments SIGIR 2026; SIGIR 2025 LiveRAG Spotlight; Code: https://github.com/kimdanny/Starlight-LiveRAG

Research on the Online Update Method for Retrieval-Augmented Generation (RAG) Model with Incremental Learning

Yuxin Fan, Yuxiang Wang, Lipeng Liu, Xirui Tang, Na Sun, Zidong Yu

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

Salient Phrase Aware Dense Retrieval: Can a Dense Retriever Imitate a Sparse One?

Xilun Chen, Kushal Lakhotia, Barlas Oğuz, Anchit Gupta, Patrick Lewis, Stan Peshterliev, Yashar Mehdad, Sonal Gupta, Wen-tau Yih

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

Optimizing RAG Rerankers with LLM Feedback via Reinforcement Learning

通过强化学习优化RAG重排序器与LLM反馈

Yuhang Wu, Xiangqing Shen, Fanfan Wang, Cangqi Zhou, Zhen Wu, Xinyu Dai, Rui Xia

机构 * Nanjing University of Science and Technology（南京理工大学） ； Nanjing University（南京大学） 纠错

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

AI总结 本文提出RRPO框架，通过强化学习将重排序与LLM生成质量对齐，消除了对昂贵人工标注的依赖，实验显示其在知识密集型基准上优于基线模型。

Comments 17 pages