RAG / 检索增强生成

Scalable Disk-Based Approximate Nearest Neighbor Search with Page-Aligned Graph

Dingyi Kang, Dongming Jiang, Hanshen Yang, Hang Liu, Bingzhe Li

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Rutgers University（新泽西罗格斯大学） 纠错

专题命中 向量检索 ：vector search(abstract)；分类 cs.IR、cs.DB

GLiClass: Generalist Lightweight Model for Sequence Classification Tasks

Ihor Stepanov, Mykhailo Shtopko, Dmytro Vodianytskyi, Oleksandr Lukashov, Alexander Yavorskyi, Mykyta Yaroshenko

机构 * Knowledgator Engineering（Knowledgator工程） 纠错

专题命中 向量检索 ：RAG(abstract)；分类 cs.CL、cs.AI

Comments 14 pages, 7 tables, 2 figures

A Text is Worth Several Tokens: Text Embedding from LLMs Secretly Aligns Well with The Key Tokens

Zhijie Nie, Richong Zhang, Zhanyu Wu

机构 * CCSE, School of Computer Science and Engineering, Beihang University, Beijing, China（计算机科学与工程学院，北京航空航天大学） ； Zhongguancun Laboratory, Beijing, China（中关村实验室） ； Shen Yuan Honors College, Beihang University, Beijing, China（神元荣誉学院，北京航空航天大学） 纠错

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.CL

Comments ACL2025 Oral

NaviX: A Native Vector Index Design for Graph DBMSs With Robust Predicate-Agnostic Search Performance

Gaurav Sehgal, Semih Salihoglu

专题命中 向量检索 ：vector search(abstract)；分类 cs.IR、cs.DB

PDX: A Data Layout for Vector Similarity Search

Leonardo Kuffo, Elena Krippner, Peter Boncz

专题命中 向量检索 ：vector search(abstract)；分类 cs.AI、cs.DB

Comments To be published in Proceedings of The 2025 International Conference on Management of Data (SIGMOD '25). For associated code, see https://github.com/cwida/PDX

Sparse Meets Dense: Unified Generative Recommendations with Cascaded Sparse-Dense Representations

Yuhao Yang, Zhi Ji, Zhaopeng Li, Yi Li, Zhonglin Mo, Yue Ding, Kai Chen, Zijian Zhang, Jie Li, Shuanglong Li, Lin Liu

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.AI

RouterRetriever: Routing over a Mixture of Expert Embedding Models

Hyunji Lee, Luca Soldaini, Arman Cohan, Minjoon Seo, Kyle Lo

专题命中 向量检索 ：retriever(abstract)；分类 cs.IR、cs.AI

Comments published at AAAI 2025

INDUS: Effective and Efficient Language Models for Scientific Applications

Bishwaranjan Bhattacharjee, Aashka Trivedi, Masayasu Muraoka, Muthukumaran Ramasubramanian, Takuma Udagawa, Iksha Gurung, Nishan Pantha, Rong Zhang, Bharath Dandala, Rahul Ramachandran, Manil Maskey, Kaylin Bugbee, Mike Little, Elizabeth Fancher, Irina Gerasimov, Armin Mehrabian, Lauren Sanders, Sylvain Costes, Sergi Blanco-Cuaresma, Kelly Lockhart, Thomas Allen, Felix Grezes, Megan Ansdell, Alberto Accomazzi, Yousef El-Kurdi, Davis Wertheimer, Birgit Pfitzmann, Cesar Berrospi Ramis, Michele Dolfi, Rafael Teixeira de Lima, Panagiotis Vagenas, S. Karthik Mukkavilli, Peter Staar, Sanaz Vahidinia, Ryan McGranaghan, Tsendgar Lee

专题命中 向量检索 ：vector search(abstract)；分类 cs.IR、cs.CL

Comments EMNLP 2024 (Industry Track)

Taxonomy-guided Semantic Indexing for Academic Paper Search

SeongKu Kang, Yunyi Zhang, Pengcheng Jiang, Dongha Lee, Jiawei Han, Hwanjo Yu

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.AI

Comments EMNLP'24

Enhancing Cloud-Based Large Language Model Processing with Elasticsearch and Transformer Models

Chunhe Ni, Jiang Wu, Hongbo Wang, Wenran Lu, Chenwei Zhang

专题命中 向量检索 ：vector search(abstract)；分类 cs.IR、cs.CL

Overview of the TREC 2023 Product Product Search Track

Daniel Campos, Surya Kallumadi, Corby Rosset, Cheng Xiang Zhai, Alessandro Magnani

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.AI

Comments 14 pages, 4 figures, 11 tables - TREC 2023

Copy Is All You Need

Tian Lan, Deng Cai, Yan Wang, Heyan Huang, Xian-Ling Mao

专题命中 向量检索 ：vector search(abstract)；分类 cs.CL、cs.AI

Journal ref The Eleventh International Conference on Learning Representations (ICLR 2023)

Approximate Nearest Neighbor Negative Contrastive Learning for Dense Text Retrieval

Lee Xiong, Chenyan Xiong, Ye Li, Kwok-Fung Tang, Jialin Liu, Paul Bennett, Junaid Ahmed, Arnold Overwijk

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.CL

Index SLM Technical Report

索引SLM技术报告

Tianjiao Li, Lusheng Zhang, Shien He, Xiaojing Liu, Tianxing Yan, Mengran Yu, Ziang Cui, Kai Zhao, Xipeng Wang, Yang Liu, Yuxin Li

机构 * Bilibili（哔哩哔哩） 纠错

专题命中 向量检索 ：retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 哔哩哔哩开发Index-1.9B系列小语言模型，包括基础模型等四个模型。预训练采用特定方法，Index-1.9B-Base在标准基准测试表现出色，还进行了多项控制研究，所有模型及评估代码已公开。

Comments 16 pages, 9 figures. v3: updated author list to add Xipeng Wang

CTIFoundry: An Agent-Native Corpus Scaffold for Cyber Threat Intelligence

CTIFoundry：用于网络威胁情报的智能体原生语料库支架

Yutong Cheng, Changze Li, Qian Cui, Wei Ding, Lingzhi Wang, Yan Chen, Peng Gao

机构 * Virginia Tech（弗吉尼亚理工大学） ； Amazon（亚马逊公司） ； Northwestern University（西北大学） 纠错

专题命中 向量检索 ：retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 CTIFoundry是用于网络威胁情报的智能体原生语料库支架，在CTIConnect基准测试中可使智能体F1提升0.19至0.28，小型模型在其上表现优于旗舰模型，且无需增加搜索工作量。

Comments Preprint

HyperFL: Query-Adaptive Representation Learning for Software Fault Localization

HyperFL：面向软件故障定位的查询自适应表示学习

Shuai Shao, Yiming Zeng, Yu Zhao, Tingting Yu

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.AI

AI总结 HyperFL是面向软件故障定位的查询自适应表示学习框架，通过轻量级超网络生成查询特定LoRA参数，在真实基准上较SweRank实现检索性能显著提升。

KoVRE: Training an Efficient Embedding Model for Korean Visual Document Retrieval

KoVRE：用于韩文视觉文档检索的高效嵌入模型训练

Yongbin Choi, Gyuho Shim, Youngjoon Jang

机构 * Kyung Hee University（庆熙大学） ； Korea University（高丽大学） 纠错

专题命中 向量检索 ：retriever(abstract)；分类 cs.AI

AI总结 该研究针对现有视觉文档检索模型以英语为中心的局限，提出韩文视觉文档单向量检索模型KoVRE，采用708729对双语查询-页面对训练，2B参数模型在基准测试中表现优于同类模型。

Mwando: Leveraging AI to Preserve and Teach shiKomori

Mwando：利用人工智能保护和教授希科莫里语

Naira Abdou Mohamed, Haidar Nassur Said Ali, Mohamed Hazra, Naoufal Mohamed Soibira, Roushnaty Ali Yamani

机构 * CP2BM Lab - Hassan II University（哈桑二世大学CP2BM实验室） ； Ibn Tofail University（伊本·图法伊勒大学） ； Sciences Po Grenoble（格勒诺布尔政治学院） 纠错

专题命中 向量检索 ：vector search(abstract)；分类 cs.CL

AI总结 研究旨在利用人工智能保护和教授希科莫里语，通过构建知识库和采用多智能体架构实现。对500个查询评估显示在词汇和语法方面性能良好，定性研究展示了能力与局限，为低资源语言开发教育工具提供蓝图。

EGR: Embedding-Native Generative Retrieval with a Shared LLM

EGR：使用共享语言模型的嵌入原生生成式检索

Xiaodong Liu, Congfei Zhang, Hsiang-wei Chao, Siman Wang, Tong Zhao, Xiao Bai, Vincent Zhang, Jingxiao Ma, Zhe Liu, Wenfeng Zhuo, Zichu Li, Jitin Krishnan, Yunzhi Zhou, Yajun Wang, Jinchao Li, Yu Zhang

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR

AI总结 研究针对生成式检索在推荐和广告系统中的问题，提出EGR框架，利用共享语言模型在同一嵌入空间学习项目与用户表示，经联合对比训练，在多场景评估中表现出色，提升了转化率，简化了系统设计。

Comments Accepted to RecSys 2026

Conan-embedding-v3: Fusing Modality-Specific Models for Omni-Modal Embedding

Conan-embedding-v3: 融合模态特定模型实现全模态嵌入

Shiyu Li, Zhiyuan Hu, Yifan Wang, Peiming Li, Zheng Wei, Yang Tang

机构 * Tencent（腾讯） 纠错

专题命中 向量检索 ：retriever(abstract)；分类 cs.AI

AI总结 提出解耦-融合-恢复框架，通过独立训练模态专家并融合任务向量，再使用投影器恢复和平衡多模态重演解决投影器漂移问题，实现单一骨干网络支持文本、图像、视频、文档和音频检索。

Decoupled Single-Mask Annotation Noise Detection via Cross-Sectional Patch Self-Consistency

通过横截面补丁自一致性进行解耦单掩码注释噪声检测

Yinheng Zhu, Xiaowei Xu

机构 * Tsinghua University（清华大学） ； Guangdong Provincial People’s Hospital（广东省人民医院） 纠错

专题命中 向量检索 ：vector search(abstract)；分类 cs.AI

AI总结 研究血管CT数据集单掩码注释噪声问题，提出利用横截面补丁自一致性的解耦框架检测噪声，通过采样、检索邻居及计算分数产生证据和质量图，实验验证其能提高训练鲁棒性并揭示注释偏差。

Comments 13 pages, 6 figures. Accepted by MICCAI 2026

Directory-Aware Query and Maintenance in Vector Databases

向量数据库中的目录感知查询与维护

Mengzhao Wang, Zheng Gong, Jingpei Hu, Jiajie Fu, Maojia Sheng, Junwen Chen, Yifan Zhu

专题命中 向量检索 ：vector search(abstract)；分类 cs.DB

AI总结 针对向量数据库缺乏层次目录语义的问题，提出目录语义查询(DSQ)和目录语义维护(DSM)算子，并评估三种实现策略，其中基于Trie的层次索引(TrieHI)通过树遍历实现高效递归检索并降低维护成本。

Ascend-RaBitQ: Heterogeneous NPU-CPU Acceleration of Billion-Scale Similarity Search with 1-bit Quantization

Ascend-RaBitQ: 1位量化支持十亿级相似性搜索的异构NPU-CPU加速

Fujun He, Chuyue Ye, Huaxiang Cai, Zetao Lv, Baolong Cui, Wenru Yan, Chao Zhan, Zigang Zhang, Hao Yi, Jie Xiang, Xiabing Li, Yuhang Gai, Ziyang Zhang, Pengfei Zheng, Yunfei Du

专题命中 向量检索 ：vector search(abstract)；分类 cs.IR

AI总结 本文提出Ascend-RaBitQ，通过异构NPU-CPU架构实现十亿级向量搜索，利用1位量化技术提升性能，解决传统CPU在大规模数据处理中的效率瓶颈。

ACRONYM: Accelerated Approximate Nearest Neighbor Search in Memory for Dynamic Vector Databases

ACRONYM: 面向动态向量数据库的加速内存近似最近邻搜索

Md Mizanur Rahaman Nayan, Tianqi Zhang, Flavio Ponzina, Tajana Rosing, Azad J Naeemi

专题命中 向量检索 ：retrieval augmented generation(abstract)；分类 cs.DB

AI总结 针对动态向量数据库频繁更新导致的索引重建问题，提出算法-硬件协同设计平台ACRONYM，利用与数据分布无关的编码和基于汉明距离的搜索实现高效硬件加速，支持连续更新，在百万级数据集上达到>90%召回率、8e6 QPS吞吐量。

Adapting Multilingual Embedding Models to Turkish via Cross-Lingual Tokenizer Surgery and Offline Distillation

通过跨语言分词器手术和离线蒸馏使多语言嵌入模型适应土耳其语

M. Ali Bayram, Banu Diri, Savaş Yıldırım

机构 * Yıldız Technical University（Yıldız技术大学） ； Istanbul Bilgi University（伊斯坦布尔比尔格大学） 纠错

专题命中 向量检索 ：retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 提出一种高效的三阶段适应流程，通过跨语言分词器优化、教师模型克隆和离线蒸馏，构建了土耳其语句子嵌入模型embeddingmagibu-200m，在STSbTR上超越教师模型，并在TR-MTEB上以更少参数达到竞争性能。

Comments 14 pages, 2 figures, 4 tables, Appendix included

LEMUR: Learned Multi-Vector Retrieval

LEMUR: 学习多向量检索

Elias Jääsaari, Ville Hyvönen, Teemu Roos

机构 * Department of Computer Science, University of Helsinki, Helsinki, Finland（赫尔辛基大学计算机科学系） 纠错

专题命中 向量检索 ：vector search(abstract)；分类 cs.IR

AI总结 LEMUR通过将多向量相似性搜索转化为监督学习问题，并利用现有单向量搜索索引加速检索，实现了高效的多向量相似性搜索，比现有方法快一个数量级。

Comments Accepted to ICML 2026

QuIVer: Rethinking ANN Graph Topology via Training-Free Binary Quantization

QuIVer：通过无训练二进制量化重新思考ANN图拓扑

Wenxuan Xiao, Zhiyou Wang, Chengcheng Li

专题命中 向量检索 ：vector search(abstract)；分类 cs.DB

AI总结 本文研究了二进制量化能否定义图拓扑本身，并提出了QuIVer，一个无需训练的ANN图索引，在2位Sign-Magnitude二进制量化度量空间中完成边选择、多样性剪枝和束搜索导航，揭示了二进制量化拓扑在不同数据集上的适用边界，提出了可验证的工业向量搜索系统在压缩、吞吐量和通用数据兼容性之间的不可能三角。

Comments 16 pages, 3 figures, 14 tables, 1 algorithm

Decoupling Vector Data and Index Storage for Space Efficiency

向量数据与索引存储解耦以提高空间效率

Yuanming Ren, Juncheng Zhang, Yanjing Ren, Rui Yang, Di Wu, Patrick P. C. Lee

专题命中 向量检索 ：vector search(abstract)；分类 cs.DB

AI总结 本文提出COMPASS框架，通过解耦向量数据与索引存储，利用不同组件的压缩特性减少存储空间，同时保持搜索和更新性能。

Granite Embedding Multilingual R2 Models

Granite嵌入多语言R2模型

Parul Awasthy, Aashka Trivedi, Yushu Yang, Ken Barker, Yulong Li, Bhavani Iyer, Martin Franz, Juergen Bross, Meet Doshi, Vignesh P, Vishwajeet Kumar, Todd Ward, Abraham Daniels, Madison Lee, Luis Lastras, Jaydeep Sen, Radu Florian

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR

AI总结 本文提出多语言Granite嵌入R2模型，支持200多种语言和编程代码，提供32768token上下文窗口和最先进的多语言检索性能。

CCD-Level and Load-Aware Thread Orchestration for In-Memory Vector ANNS on Multi-Core CPUs

面向内存向量近似最近邻搜索的CCD级别和负载感知线程协调

Yuchen Huang, Baiteng Ma, Yiping Sun, Yang Shi, Xiao Chen, Xiaocheng Zhong, Zhiyong Wang, Yao Hu, Chuliang Weng

专题命中 向量检索 ：vector search(abstract)；分类 cs.IR

AI总结 本文提出一种基于CCD架构的线程协调框架，通过优化任务调度和负载平衡，提升多核CPU在内存向量搜索中的吞吐量和响应速度。

Comments Accepted by ICDE'26