RAG / 检索增强生成

ArcAligner: Adaptive Recursive Aligner for Compressed Context Embeddings in RAG

ArcAligner: 用于RAG中压缩上下文嵌入的自适应递归对齐器

Jianbo Li, Yi Jiang, Sendong Zhao, Bairui Hu, Haochun Wang, Bing Qin

机构 * Harbin Institute of Technology（哈尔滨工业大学） 纠错

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 ArcAligner通过自适应门控机制提升RAG中压缩上下文表示的利用效率，有效解决压缩带来的理解困难问题。

Comments Code is available at https://github.com/liunian-Jay/ArcAligner.git

How to Discover Knowledge for FutureG: Contextual RAG and LLM Prompting for O-RAN

如何为未来G发现知识：面向O-RAN的上下文RAG和LLM提示

Nathan Conger, Nathan Scollar, Kemal Davaslioglu, Yalin E. Sagduyu, Sastry Kompella

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 本文提出上下文RAG方法，通过引导文档检索和上下文增强LLM性能，提升ORAN领域问答的准确性和效率，同时保持低运行时间和碳排放。

Replace, Don't Expand: Mitigating Context Dilution in Multi-Hop RAG via Fixed-Budget Evidence Assembly

替换而非扩展：通过固定预算证据组装缓解多跳RAG中的上下文稀释

Moshe Lahmy, Roi Yozevitch

机构 * Department of Electrical Engineering, Ariel University（电气工程系，阿里尔大学） ； Department of Computer and Software Engineering, Ariel University（计算机与软件工程系，阿里尔大学） 纠错

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 SEAL-RAG通过固定预算证据组装策略，有效缓解多跳RAG中的上下文稀释问题，提升答案准确性和证据精度。

Comments 24 pages, 2 figures

Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning

Ruiyi Yang, Hao Xue, Imran Razzak, Shirui Pan, Hakim Hacid, Flora D. Salim

机构 * University of New South Wales（新南威尔士大学） ； Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Griffith University（格里菲斯大学） ； Technology Innovation Institute（技术创新研究所） 纠错

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

Comments 20 pages, 4 figures

Enhancing RAG Efficiency with Adaptive Context Compression

Shuyu Guo, Shuo Zhang, Zhaochun Ren

机构 * Shandong University（山东大学） ； Bloomberg（彭博） ； Leiden University（莱顿大学） 纠错

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

HANRAG: Heuristic Accurate Noise-resistant Retrieval-Augmented Generation for Multi-hop Question Answering

Duolin Sun, Dan Yang, Yue Shen, Yihan Jiao, Zhehao Tan, Jie Feng, Lianzhen Zhong, Jian Wang, Peng Wei, Jinjie Gu

机构 * Ant Group（蚂蚁集团） 纠错

专题命中 长文档RAG ：retrieval-augmented generation(title,abstract)；RAG(abstract)；分类 cs.CL、cs.AI

Are We on the Right Way for Assessing Document Retrieval-Augmented Generation?

Wenxuan Shen, Mingjia Wang, Yaochen Wang, Dongping Chen, Junjie Yang, Yao Wan, Weiwei Lin

机构 * South China University of Technology（华南理工大学） ； Huazhong University of Science and Technology（华中科技大学） ； University of Maryland（马里兰大学） 纠错

专题命中 长文档RAG ：retrieval-augmented generation(title,abstract)；RAG(abstract)；分类 cs.IR、cs.CL

Comments In submission. Project website: https://double-bench.github.io/

HopRAG: Multi-Hop Reasoning for Logic-Aware Retrieval-Augmented Generation

Hao Liu, Zhengren Wang, Xi Chen, Zhiyu Li, Feiyu Xiong, Qinhan Yu, Wentao Zhang

机构 * Peking University（北京大学） ； Center for LLM, Institute for Advanced Algorithms Research（大模型中心，高级算法研究所） ； Huazhong University of Science and Technology（华中科技大学） 纠错

专题命中 长文档RAG ：retrieval-augmented generation(title,abstract)；RAG(abstract)；分类 cs.IR、cs.CL

U-NIAH: Unified RAG and LLM Evaluation for Long Context Needle-In-A-Haystack

Yunfan Gao, Yun Xiong, Wenlong Wu, Zijing Huang, Bohan Li, Haofen Wang

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL

DMQR-RAG: Diverse Multi-Query Rewriting for RAG

Zhicong Li, Jiahao Wang, Zhishu Jiang, Hangyu Mao, Zhongxia Chen, Jiazhen Du, Yuanxing Zhang, Fuzheng Zhang, Di Zhang, Yong Liu

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

Optimizing RAG Techniques for Automotive Industry PDF Chatbots: A Case Study with Locally Deployed Ollama Models

Fei Liu, Zejun Kang, Xing Han

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

Answer Presence Drives RAG Rewriting Gains

答案存在驱动RAG重写收益

Yuejie Li, Yueying Hua, Ke Yang, Li Zhang, Yueping He, Yueping He, Ruiqi Li, Bolin Chen, Tao Wang, Bowen Li, Chengjun Mao

机构 * Ant Group（蚂蚁集团） 纠错

专题命中 长文档RAG ：RAG(title,title_cn)；分类 cs.AI

AI总结 通过受控干预审计，发现检索增强问答中重写器带来的性能提升主要由黄金答案字符串出现在重写上下文中驱动，而非证据质量改善。

Comments The authors have withdrawn this manuscript after identifying errors in the experimental analysis reported in Sections 3 and 4. These errors affect the reported relationship between answer presence and RAG rewriting gains and undermine the paper's main conclusions. Therefore, the results and conclusions in the current version should not be relied upon

A Virtual Member of a Community of Practice for the Society of Petroleum Engineers: From Prototype to Deployment

石油工程师协会实践社区的虚拟成员：从原型到部署

John Boden, Joshua Eckroth, Dayne Freitag, Skyler Gipson, Johnathan Keefe, Karen Myers, Eric Schoen, Pedro Sequeira, Reid Smith, Michael Wessel

专题命中 长文档RAG ：RAG(summary_cn,abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 本文介绍了面向SPE石油天然气领域实践社区的虚拟助手ATHENA，经迭代优化后，其在井规划知识任务中优于RAG基线，已整合至SPE研究门户并部署使用。

Comments 7 pages

Supervising the search process produces reliable and generalizable information-seeking agents

通过监督搜索过程产生可靠且可推广的信息寻求代理

Guangzhi Xiong, Qiao Jin, Xiao Wang, Yin Fang, Haolin Liu, Yifan Yang, Fangyuan Chen, Zhixing Song, Dengyu Wang, Minjia Zhang, Zhiyong Lu, Aidong Zhang

机构 * Department of Computer Science, University of Virginia, USA（弗吉尼亚大学计算机科学系） ； National Library of Medicine, National Institutes of Health, USA（美国国立卫生研究院国家医学图书馆） ； Department of Computer Science, University of Illinois Urbana–Champaign, USA（伊利诺伊大学厄巴纳-香槟分校计算机科学系） ； Medical Oncology, Dana–Farber Cancer Institute, USA（达纳-法伯癌症研究所医学肿瘤科） ； Surgery, University of Alabama at Birmingham, USA（阿拉巴马大学伯明翰分校外科系） ； Department of Neurology, Yale School of Medicine, USA（耶鲁医学院神经病学系） 纠错

专题命中 长文档RAG ：RAG(summary_cn,abstract)；分类 cs.CL、cs.AI

AI总结 本文提出通过监督搜索过程来构建更可靠且可推广的信息寻求代理，通过RAG-Gym框架系统研究了架构设计、参数优化和动作评估，发现推理反思是关键能力，Re$^2$Search++在多跳信息检索基准上取得显著提升，尤其在领域外任务中表现更优。

Comments Homepage: https://rag-gym.github.io; Code: https://github.com/RAG-Gym/RAG-Gym

Reinforced Informativeness Optimization for Long-Form Retrieval-Augmented Generation

强化信息量优化用于长文本检索增强生成

Yuhao Wang, Ruiyang Ren, Yucheng Wang, Wayne Xin Zhao, Jing Liu, Hua Wu, Haifeng Wang

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学公安学院人工智能学院） ； Baidu Inc.（百度公司） 纠错

专题命中 长文档RAG ：retrieval-augmented generation(title)；RAG(abstract,abstract_cn)；分类 cs.CL

AI总结 本文提出RioRAG框架，通过 nugget-centric 验证实现可验证的信息量优化，提升长文本检索增强生成的准确性和稳定性。

Experience as a Compass: Multi-agent RAG with Evolving Orchestration and Agent Prompts

经验作为罗盘：具有演进编排和代理提示的多代理RAG

Sha Li, Naren Ramakrishnan

机构 * Virginia Tech（弗吉尼亚理工大学） 纠错

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 本文提出HERA框架，通过动态编排和角色特定提示提升多代理RAG在复杂任务中的性能，实现38.69%的平均提升并保持鲁棒性。

Explainable Innovation Engine: Dual-Tree Agent-RAG with Methods-as-Nodes and Verifiable Write-Back

可解释的创新引擎：双树代理-RAG与方法作为节点和可验证的写回

Renwei Meng

机构 * Anhui University（安徽大学） 纠错

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 本研究提出了一种双树代理-RAG框架，通过方法作为节点和可验证的写回机制，提升代理系统在可控、可解释和可验证创新方面的性能。

Comments 15pages, 4figures, code available on Github

Tiny-Critic RAG: Empowering Agentic Fallback with Parameter-Efficient Small Language Models

Tiny-Critic RAG：赋能代理回退的参数高效小型语言模型

Yichao Wu, Penghao Liang, Yafei Xiang, Mengwei Yuan, Jianan Liu, Jing Yang, Xianyou Li, Weiran Yan

机构 * Northeastern University（东北大学） ； Washington University in St. Louis（华盛顿大学圣路易斯分校） ； New York University（纽约大学） 纠错

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR

AI总结 Tiny-Critic RAG通过参数高效的Small Language Model实现低延迟的二进制路由，有效降低代理部署成本。

Evaluating Prompt Engineering Techniques for RAG in Small Language Models: A Multi-Hop QA Approach

评估用于RAG的提示工程技术在小型语言模型中的表现：一种多跳问答方法

Amir Hossein Mohammadi, Ali Moeinian, Zahra Razavizade, Afsaneh Fatemi, Reza Ramezani

专题命中 长文档RAG ：RAG(title,abstract)；retrieval augmented generation(abstract)；分类 cs.CL

AI总结 本文通过评估24种提示模板，发现优化RAG在小型语言模型上的表现提升显著，为资源受限环境下的RAG系统提供实用建议。

Comments 32 Pages, Submitted to Journal of Computing and Security

More Documents, Same Length: Isolating the Challenge of Multiple Documents in RAG

更多文档，相同长度：隔离多文档在RAG中的挑战

Shahar Levy, Nir Mazor, Lihi Shalmon, Michael Hassid, Gabriel Stanovsky

机构 * School of Computer Science and Engineering（计算机科学与工程学院） 纠错

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 研究发现RAG中增加文档数量显著降低LLM性能，但Qwen2.5表现出更强的多文档处理能力。

Comments Preprint

REAP: Enhancing RAG with Recursive Evaluation and Adaptive Planning for Multi-Hop Question Answering

Yijie Zhu, Haojie Zhou, Wanting Hong, Tailin Liu, Ning Wang

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL

Comments To be published in AAAI 2026

Query Decomposition for RAG: Balancing Exploration-Exploitation

Roxana Petcu, Kenton Murray, Daniel Khashabi, Evangelos Kanoulas, Maarten de Rijke, Dawn Lawrie, Kevin Duh

机构 * University of Amsterdam（阿姆斯特丹大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.AI

MAGIC: A Multi-Hop and Graph-Based Benchmark for Inter-Context Conflicts in Retrieval-Augmented Generation

Jungyeon Lee, Kangmin Lee, Taeuk Kim

机构 * Hanyang University（翰阳大学） ； KT Corporation（KT公司） 纠错

专题命中 长文档RAG ：retrieval-augmented generation(title,abstract)；RAG(abstract)；分类 cs.CL

Comments EMNLP 2025 Findings

ChunkRAG: Novel LLM-Chunk Filtering Method for RAG Systems

Ishneet Sukhvinder Singh, Ritvik Aggarwal, Ibrahim Allahverdiyev, Muhammad Taha, Aslihan Akalin, Kevin Zhu, Sean O'Brien

机构 * Algoverse AI Research（Algoverse AI研究院） 纠错

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL

Comments Accepted at Conference of the North American Chapter of the Association for Computational Linguistics, Student Research Workshop 2025 (NAACL SRW 2025)

NodeRAG: Structuring Graph-based RAG with Heterogeneous Nodes

Tianyang Xu, Haojie Zheng, Chengze Li, Haoxiang Chen, Yixin Liu, Ruoxi Chen, Lichao Sun

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.AI

Diversity Enhances an LLM's Performance in RAG and Long-context Task

Zhichao Wang, Bin Bi, Yanqi Luo, Sitaram Asur, Claire Na Cheng

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL

Long Context vs. RAG for LLMs: An Evaluation and Revisits

Xinze Li, Yixin Cao, Yubo Ma, Aixin Sun

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL

Comments 14 pages excluding references and appendix

CLAPNQ: Cohesive Long-form Answers from Passages in Natural Questions for RAG systems

Sara Rosenthal, Avirup Sil, Radu Florian, Salim Roukos

专题命中 长文档RAG ：RAG(title,abstract)；retrieval augmented generation(abstract)；分类 cs.CL

Comments 26 pages, Accepted at TACL

Habit Coach: Customising RAG-based chatbots to support behavior change

Arian Fooroogh Mand Arabi, Cansu Koyuturk, Michael O'Mahony, Raffaella Calati, Dimitri Ognibene

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.AI

Comments Accepted for Italian Workshop on Artificial Intelligence for Human Machine Interaction (AIxHMI 2024), November 26, 2024, Bolzano, Italy

Long Context RAG Performance of Large Language Models

Quinn Leng, Jacob Portes, Sam Havens, Matei Zaharia, Michael Carbin

专题命中 长文档RAG ：RAG(title,abstract)；retrieval augmented generation(abstract)；分类 cs.CL

Comments 2024 NeurIPS workshop on Adaptive Foundation Models: Evolving AI for Personalized and Efficient Learning