RAG / 检索增强生成

PeerCheck: Enhancing LLM-Generated Academic Reviews Towards Human-Level Quality

PeerCheck: 提升大语言模型生成的学术评审至人类水平质量

Zeyuan Chen, Ziqing Yang, Yihan Ma, Michael Backes, Yang Zhang

机构 * CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心） 纠错

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

AI总结 提出PeerCheck框架，分析LLM与人类评审差异，采用思维链和检索增强生成提升评审质量，发现思维链显著改善但RAG存在悖论。

Combining Retrieval-Augmented Text Generation with LLMs for Reading Content Recommendations

结合检索增强文本生成与大型语言模型的阅读内容推荐

Sooyeon Kim, Piotr S. Maciąg

机构 * Institute of Computer Science, Warsaw University of Technology（计算机科学学院，华沙技术大学） 纠错

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

AI总结 提出结合检索增强生成（RAG）与大型语言模型的系统，通过四个模块实现个性化阅读内容生成，实验表明RAG将相关性和接地性提升26-35个百分点。

TimeLens: On-Device Artifact Recognition with Retrieval-Augmented Question Answering for the Grand Egyptian Museum

TimeLens: 面向大埃及博物馆的基于检索增强问答的设备端文物识别

Rawan Hesham, Ali Ashraf, Amr Ahmed, Malak Alaa, Omar Ahmed, Omar Wagih

机构 * Grand Egyptian Museum（大埃及博物馆） 纠错

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

AI总结 针对博物馆场景中的细粒度视觉相似性、训练数据与手持相机差距以及AI幻觉问题，提出设备端文物检测器与双语检索增强生成（RAG）问答系统，实现实时识别与可靠问答。

Comments 6 pages, 4 figures, 5 tables. Submitted to AIVRCH 2026

Mind the Gap: Bridging Behavioral Silos with LLMs in Multi-Vertical Recommendations

注意差距：用LLM弥合多垂直领域推荐中的行为孤岛

Nimesh Sinha, Raghav Saboo, Martin Wang, Sudeep Das

机构 * DoorDash Inc.（DoorDash公司） 纠错

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

AI总结 提出利用LLM从数据丰富垂直领域（如餐厅）向稀疏领域（如杂货）迁移知识的框架，通过分层RAG生成多级特征，集成到MTL排序模型，显著提升新兴业务个性化与参与度。

Inference Cost Attacks for Retrieval-Augmented Large Language Models

检索增强型大语言模型的推理成本攻击

Chengliang Liu, Liangbo Ning, Yujuan Ding, Wenqi Fan

机构 * The Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 提出RA-ICA攻击范式，通过向外部知识库注入恶意文档，利用CREEP框架和MA-GRPO算法，使RAG增强的LLM系统推理时token消耗增加高达13.12倍且成功率超过90%。

Comments Accepted at The ACM Web Conference 2026 (WWW '26)

Journal ref Proceedings of the ACM Web Conference 2026 (WWW '26), April 13-17, 2026, Dubai, United Arab Emirates

TCAR-Gen: Temporal Graph Retrieval with Evidence Fusion for Knowledge-Grounded Generation

TCAR-Gen: 基于证据融合的时间图检索用于知识增强生成

Sidra Nasir, Muhammad Noman Zahid, Rizwan Ahmed Khan

机构 * Dipartimento di Informatica, Università di Verona（威尼斯大学计算机科学系） ； School of Advanced Studies, University of Camerino（坎皮诺大学高级研究学院） ； Department of Computer Science, School of Mathematics and Computer Science, Institute of Business Administration (IBA), Karachi, Pakistan（卡拉奇工商管理学院（IBA）数学与计算机科学学院计算机科学系） 纠错

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

AI总结 提出TCAR-Gen框架，结合查询条件图神经网络、时间证据融合和树链推理，在历史犯罪叙事问答中实现时间推理和多源证据融合，优于现有RAG方法。

DynaTree: Dynamic Agentic Retrieval Tree for Time-Sensitive News Retrieval

DynaTree: 面向时效性新闻检索的动态智能检索树

Siyuan Qi, Xinyuan Wang, Yingxuan Yang, Haochuan Guo, Jianghao Lin, Weiwen Liu, Yong Yu, Weinan Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 提出DynaTree两阶段框架，通过离线构建可复用检索树和在线轻量子树选择，实现高效、自适应的时效性新闻检索，在Syft新闻基准和BEIR数据集上优于标准RAG和现有智能体方法。

Retrieval as Generation: A Unified Framework with Self-Triggered Information Planning

检索即生成：一个统一框架与自触发信息规划

Bo Li, Mingda Wang, Gexiang Fang, Shikun Zhang, Wei Ye

机构 * National Engineering Research Center for Software Engineering, Peking University（软件工程国家工程研究中心，北京大学） ； School of Computer Science, Peking University（北京大学计算机学院） ； School of Health Sciences and Biomedical Engineering, Hebei University of Technology（河北工业大学健康科学与生物医学工程学院） 纠错

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

AI总结 GRIP框架通过生成引导检索与信息规划，实现检索与推理的紧密耦合，支持动态多步推理，实验表明其在问答基准上优于RAG基线并接近GPT-4o。

Comments Github: https://github.com/WisdomShell/GRIP HuggingFace:https://huggingface.co/collections/WisdomShell/grip

Journal ref ACL2026, Main Conference

Towards Omni-RAG: Comprehensive Retrieval-Augmented Generation for Large Language Models in Medical Applications

Zhe Chen, Yusheng Liao, Shuyang Jiang, Pingjie Wang, Yiqiu Guo, Yanfeng Wang, Yu Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； 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 ：RAG(title,comments)；retrieval-augmented generation(title)；分类 cs.CL

Comments ACL 2025 Main Conference. Project website: https://github.com/Jack-ZC8/Omni-RAG-Medical

TVR: Automotive System Requirement Traceability Validation and Recovery Through Retrieval-Augmented Generation

TVR：通过检索增强生成实现汽车系统需求可追溯性验证与恢复

Feifei Niu, Rongqi Pan, Lionel C. Briand, Hanyang Hu

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

AI总结 提出TVR方法，利用大语言模型和检索增强生成技术，验证和恢复汽车系统中利益相关者需求与系统需求之间的可追溯性链接，实验证明其在工业环境中的有效性。

Error-Aware TF-IDF Retrieval-Augmented Generation for ASR Error Correction

错误感知的TF-IDF检索增强生成用于ASR错误纠正

Mohammad Aref Jafari-Raddani

机构 * Department of Computer Engineering, Qom University of Technology（库姆科技大学计算机工程系） ； Asa Electronic Akhtaran（阿萨电子阿赫塔兰公司） 纠错

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

AI总结 提出一种纯词法的错误感知检索增强生成框架，通过对称文本归一化和基于历史错误的稀疏对角惩罚矩阵，将FLEURS波斯语子集的错误感知命中率从53.7%提升至90.9%，最终词错误率从23.06%降至18.83%。

Comments 4 pages, 1 figure, 2 tables

Chain of Evidence: Pixel-Level Visual Attribution for Iterative Retrieval-Augmented Generation

证据链：面向迭代检索增强生成的像素级视觉归因

Peiyang Liu, Ziqiang Cui, Xi Wang, Di Liang, Wei Ye

机构 * National Engineering Research Center for Software Engineering, Peking University（软件工程国家级工程研究中心，北京大学） ； City University of Hong Kong（香港城市大学） ； Peking University（北京大学） ； Tencent Technology（腾讯科技） 纠错

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

AI总结 提出Chain of Evidence (CoE)框架，利用视觉语言模型直接对检索到的文档截图进行推理，输出精确边界框以可视化完整推理链，解决迭代检索增强生成中的粗粒度归因和视觉语义丢失问题。

TeleRAG: Efficient Retrieval-Augmented Generation Inference with Lookahead Retrieval

TeleRAG: 通过前瞻性检索实现高效的检索增强生成推理

Chien-Yu Lin, Keisuke Kamahori, Yiyu Liu, Xiaoxiang Shi, Madhav Kashyap, Yile Gu, Rulin Shao, Zihao Ye, Kan Zhu, Rohan Kadekodi, Stephanie Wang, Arvind Krishnamurthy, Luis Ceze, Baris Kasikci

机构 * Paul G. Allen School of Computer Science and Engineering, University of Washington, Seattle, WA, USA（华盛顿大学保罗·G·艾伦计算机科学与工程学院，西雅图，华盛顿州，美国） ； Harvard John A. Paulson School of Engineering and Applied Sciences, Harvard University, Cambridge, MA, USA（哈佛大学约翰·A·保罗森工程与应用科学学院，剑桥，马萨诸塞州，美国） ； Shanghai Jiao Tong University, Shanghai, China（上海交通大学，上海，中国） 纠错

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

AI总结 本文提出TeleRAG，一种通过前瞻性检索机制减少延迟并提高吞吐量的高效检索增强生成推理系统，该系统在有限的GPU内存下实现了更高的性能和可扩展性。

From Detection to Response: A Deep Learning and Retrieval-Augmented Generation Framework for Network Intrusion Mitigation

从检测到响应：一种基于深度学习和检索增强生成的网络入侵缓解框架

Md Navid Bin Islam, Sajal Saha, Senior Member

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

AI总结 本文提出了一种统一的端到端框架，通过深度学习和检索增强生成技术，解决网络入侵检测与可操作响应之间的差距。该框架首先利用三个独立训练的二分类深度神经网络对网络流量进行分类，其次通过检索增强生成技术生成带有解释的提示，检索相关指导并生成结构化的缓解报告。

Comments 14 pages, 7 figures

A Multi-Survey Machine-Readable Corpus of Milky Way Globular Cluster Parameters for Retrieval-Augmented Generation Applications

一个包含银河系球状星团参数的多调查机器可读语料库用于检索增强生成应用

David C. Flynn

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

AI总结 本文介绍了银河系球状星团语料库v1.3.1，整合了174个银河系球状星团的基本参数，用于检索增强生成应用。

Comments 3 Tables and 4 Figures. Companion data descriptor to the Unified Galaxy HI Rotation Curve Corpus v7 (Zenodo 10.5281/zenodo.19563417). v7: corrected Harris [Fe/H] description to spectroscopic metallicity (Carretta et al. scale) following communication from E. Carretta (INAF Bologna); added Kruijssen et al. (2019) as recommended ages source for v1.4

Rethinking the Necessity of Adaptive Retrieval-Augmented Generation through the Lens of Adaptive Listwise Ranking

重新审视通过适应性列表排序视角的适应性检索增强生成的必要性

Jun Feng, Jiahui Tang, Zhicheng He, Hang Lv, Hongchao Gu, Hao Wang, Xuezhi Yang, Shuai Fang

机构 * Hefei University of Technology（合肥工业大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 本文通过适应性列表排序视角重新审视适应性检索增强生成的必要性，提出AdaRankLLM框架，通过零样本提示和段落dropout机制验证适应性排序的必要性，并通过两阶段渐进蒸馏提升小模型的精确排序与适应过滤能力。

Comments 7pages, 2figures

Enhancing Large Language Models with Retrieval Augmented Generation for Software Testing and Inspection Automation

通过检索增强生成提升大型语言模型用于软件测试和检查自动化

Zoe Fingleton, Nazanin Siavash, Armin Moin

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

AI总结 本文通过检索增强生成方法提升大型语言模型在软件测试和检查自动化中的应用，有效减少项目成本并提高验证与确认活动的效果和效率。

RefineRAG: Word-Level Poisoning Attacks via Retriever-Guided Text Refinement

RefineRAG：通过检索引导的文本细化实现词级污染攻击

Ziye Wang, Guanyu Wang, Kailong Wang

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

AI总结 RefineRAG通过检索引导的文本细化方法，解决传统污染攻击检测不足的问题，实现高成功率的词级污染攻击，同时保持自然性和低语法错误。

MDKeyChunker: Single-Call LLM Enrichment with Rolling Keys and Key-Based Restructuring for High-Accuracy RAG

MDKeyChunker: 基于滚动键和键驱动重构的单次调用LLM增强方法用于高精度RAG

Bhavik Mangla

机构 * Independent Research（独立研究） 纠错

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

AI总结 MDKeyChunker通过结构感知分块、单次LLM调用增强和键驱动重构提升RAG精度，实现单次调用提取七种元数据，消除多轮提取需求。

Comments 13 pages, 4 figures, 7 tables, 2 algorithms. Code: https://github.com/bhavik-mangla/MDKeyChunker

Principled Context Engineering for RAG: Statistical Guarantees via Conformal Prediction

基于RAG的原理化上下文工程：通过符合预测实现统计保证

Debashish Chakraborty, Eugene Yang, Daniel Khashabi, Dawn Lawrie, Kevin Duh

机构 * HLTCOE, Johns Hopkins University（HLTCOE，约翰霍普金斯大学） 纠错

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

AI总结 本文提出通过符合预测框架实现RAG的上下文工程，通过统计可控的过滤方法减少冗余上下文，提升事实准确性。

Comments Accepted at ECIR 2026

Rethinking Soft Compression in Retrieval-Augmented Generation: A Query-Conditioned Selector Perspective

重新思考检索增强生成中的软压缩：从查询条件选择器视角

Yunhao Liu, Zian Jia, Xinyu Gao, Kanjun Xu, Yun Xiong

机构 * Shanghai Key Laboratory of Data Science, College of Computer Science and Artificial Intelligence（上海数据科学 key 实验室，计算机科学与人工智能学院） ； Fudan University（复旦大学） ； Shanghai（上海） ； China（中国） 纠错

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

AI总结 本文提出SeleCom框架，通过查询条件选择器改进RAG中的软压缩，提升信息密度并减少计算开销，实验显示其性能优于现有方法且效率更高。

Comments Accepted by WWW 2026

DynaRAG: Bridging Static and Dynamic Knowledge in Retrieval-Augmented Generation

DynaRAG：连接静态与动态知识的检索增强生成

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

机构 * Northeastern University（东北大学） ； Independent Researcher（独立研究员） ； 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 检索器与排序 ：retrieval-augmented generation(title,abstract)；RAG(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 DynaRAG通过动态知识整合处理静态和时效性信息需求，采用LLM重排器、充分性分类器和Gorilla v2模型提升回答准确性与鲁棒性。

Open-Source Reproduction and Explainability Analysis of Corrective Retrieval Augmented Generation

开源重现与可解释性分析的纠正检索增强生成

Surya Vardhan Yalavarthi

机构 * College of Engineering and Applied Science University of Cincinnati（工程与应用科学学院 奥克兰大学） 纠错

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

AI总结 本文开源重现了纠正检索增强生成系统，用维基百科API替代谷歌搜索，并用Phi-3-mini-4k-instruct替代原模型，验证了性能相当，并分析了检索评估器的可解释性。

Comments 13 pages, 4 figures

MITRA: An AI Assistant for Knowledge Retrieval in Physics Collaborations

MITRA：一种用于物理学协作中知识检索的AI助手

Abhishikth Mallampalli, Sridhara Dasu

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

AI总结 MITRA是一种基于RAG的AI助手，通过本地化框架实现物理学协作中的高效知识检索与生成。

Comments Accepted at NeurIPS 2025 Machine Learning for the Physical Sciences workshop and Lepton Photon conference 2025 (Computing AI/ML track)

Beyond RAG vs. Long-Context: Learning Distraction-Aware Retrieval for Efficient Knowledge Grounding

超越RAG与长上下文：学习抗干扰检索以实现高效的知识 grounding

Seongwoong Shim, Myunsoo Kim, Jae Hyeon Cho, Byung-Jun Lee

机构 * Korea University, Decision Making Lab（韩国大学，决策实验室） ； LG CNS 纠错

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

AI总结 本文提出LDAR方法，通过学习抗干扰检索提升知识 grounding 的效率与性能。

Comments Accepted at ICLR 2026

Resisting Contextual Interference in RAG via Parametric-Knowledge Reinforcement

通过参数知识强化来抵御RAG中的上下文干扰

Chenyu Lin, Yilin Wen, Du Su, Hexiang Tan, Fei Sun, Muhan Chen, Chenfu Bao, Zhonghou Lyu

机构 * Baidu Inc.（百度公司） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） 纠错

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

AI总结 Knowledgeable-R1通过参数知识强化提升RAG在知识冲突和一般场景中的鲁棒性与推理准确性，反事实场景中表现优于现有基线。

Comments Accepted to ICLR 2026

Multi-Head RAG: Solving Multi-Aspect Problems with LLMs

多头RAG：利用LLMs解决多方面问题

Maciej Besta, Ales Kubicek, Robert Gerstenberger, Marcin Chrapek, Roman Niggli, Patrik Okanovic, Yi Zhu, Patrick Iff, Michal Podstawski, Lucas Weitzendorf, Mingyuan Chi, Joanna Gajda, Piotr Nyczyk, Jürgen Müller, Hubert Niewiadomski, Torsten Hoefler

机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； IDEAS Research Institute（IDEAS研究 institute） ； NASK National Research Institute（国家研究 institute） 纠错

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

AI总结 多头RAG通过利用Transformer多头注意力机制提升多方面查询的检索准确性，实现更高的检索成功率和下游生成性能。

Training-Induced Bias Toward LLM-Generated Content in Dense Retrieval

训练诱导的对LLM生成内容的偏好在密集检索中的表现

William Xion, Wolfgang Nejdl

机构 * L3S Research Center, Hannover, Germany（汉诺威德国L3S研究中心） 纠错

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

AI总结 本研究发现，密集检索中的来源偏见是训练过程诱导的，而非固有属性，通过实验揭示了不同微调策略对检索结果的影响。

Comments Accepted at ECIR 2026

RAGTurk: Best Practices for Retrieval Augmented Generation in Turkish

RAGTurk：土耳其语中检索增强生成的最佳实践

Süha Kağan Köse, Mehmet Can Baytekin, Burak Aktaş, Bilge Kaan Görür, Evren Ayberk Munis, Deniz Yılmaz, Muhammed Yusuf Kartal, Çağrı Toraman

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

AI总结 RAGTurk研究了土耳其语中检索增强生成的最佳实践，通过构建土耳其RAG数据集并测试RAG管道各阶段，发现HyDE方法在准确性上表现最佳，同时帕累托最优配置在成本较低的情况下也表现出色。

Comments Accepted by EACL 2026 SIGTURK

JADE: Bridging the Strategic-Operational Gap in Dynamic Agentic RAG

JADE：动态代理RAG中战略-操作鸿沟的弥合

Yiqun Chen, Erhan Zhang, Tianyi Hu, Shijie Wang, Zixuan Yang, Meizhi Zhong, Xiaochi Wei, Yan Gao, Yi Wu, Yao Hu, Jiaxin Mao

机构 * Renmin University of China（中国人民大学） ； Xiaohongshu Inc.（小红书公司） ； Institute of Automation,Chinese Academy of Sciences（中国科学院自动化研究所） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

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

AI总结 JADE通过联合优化规划与执行，解决动态代理RAG中战略与操作不匹配的问题，提升多轮工作流的性能与灵活性。