RAG / 检索增强生成

When Should Multi-Round RAG Stop? Structured Stopping Judgments and Retrieval Reduction in Search-R1

多轮检索增强生成（RAG）应何时停止？Search-R1中的结构化停止判断与检索减少

Weimeng Luo

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

AI总结 本研究针对多轮RAG的停止判断问题，将S2G-RAG的结构化判断适配到Search-R1，训练Qwen3.5-2B判断器，可减少约3.70%检索调用且仅小幅降低答案准确率。

Comments 16 pages, 3 figures. Code: https://github.com/luobostorm/search-r1-s2g-stopping

Theory-Guided Deception Detection: A RAG-Based Artificial Intelligence Exploration

理论引导的欺骗检测：基于检索增强生成（RAG）的人工智能探索

David M. Markowitz, Timothy R. Levine

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

AI总结 该研究基于欺骗理论开发7个RAG模型，对比4个大语言模型与基线模型的欺骗判断，发现RAG模型反应偏差更低但准确率无显著差异，理论引导AI判断当前参数下不可靠，优化后或有潜力。

Hierarchical Reranking for Scalable Financial RAG System

面向可扩展金融RAG系统的分层重排序

Joohyun Lee, Sungwoo Hong

机构 * Financial Security Institute（金融安全研究院） ； Hanyang University（汉阳大学） 纠错

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

AI总结 该研究针对现有RAG系统处理金融文档时的结构与规模难题，提出含三项创新的分层重排序器框架，在多金融基准测试中表现优异，获ACM-ICAIF '24金融RAG挑战赛第二名，可提升金融推理的准确性与可扩展性。

Comments 8 pages, 1 figure, 3 tables. Accepted at FinLLM @ IJCAI-ECAI 2026

CDS4RAG: Cyclic Dual-Sequential Hyperparameter Optimization for RAG

CDS4RAG：基于循环双序列的RAG超参数优化

Pengzhou Chen, Tao Chen

机构 * School of Computer Science and Engineering, UESTC, Chengdu, China（电子科技大学计算机科学与工程学院，成都，中国） ； IDEAS Lab, University of Birmingham, Birmingham, UK（伯明翰大学IDEAS实验室，英国布里斯托尔） 纠错

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

AI总结 本文提出CDS4RAG框架，通过循环双序列方法优化RAG的全部超参数，提升检索生成性能，实验显示在24种情况下均优于现有算法。

Comments Accepted by main track at IJCAI 2026

Less LLM, More Documents: Searching for Improved RAG

少用大模型，多用文档：寻找改进RAG的方法

Jingjie Ning, Yibo Kong, Yunfan Long, Jamie Callan

机构 * School of Computer Science, Carnegie Mellon University（计算机科学系，卡内基梅隆大学） 纠错

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

AI总结 本文研究了扩大检索器文档库对RAG性能的影响，发现增大文档库可提升性能，甚至在某些情况下优于使用更大模型，但存在边际效益递减的问题。

Comments Proceeding Version of ECIR 2026. In: Campos, R., et al. Advances in Information Retrieval. ECIR 2026

RAG-Reflect: Agentic Retrieval-Augmented Generation with Reflections for Comment-Driven Code Maintenance on Stack Overflow

RAG-Reflect：基于反思的代理检索增强生成用于Stack Overflow的评论驱动代码维护

Mehedi Hasan Shanto, Muhammad Asaduzzaman, Alioune Ngom

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

AI总结 本文提出RAG-Reflect框架，通过检索增强推理和自我反思机制，实现精确的评论-编辑预测，提升代码维护效率。

Comments 27 pages, submitted to the TOSEM

GTA-RAG: Graph-Trajectory-Augmented Reinforcement Learning for Multi-Turn Retrieval-Augmented Reasoning

GTA-RAG：用于多轮检索增强推理的图轨迹增强强化学习

Jun Chen, Yongchao Liu, Pengyu Qiu, Jiajun Zheng, Juelu Zhang, Yujie Zeng, Qin Zhang, Ziyue Qiao, Xiao Luo

机构 * Shenzhen University（深圳大学） ； Great Bay University（大湾区大学） ； Ant Group（蚂蚁集团） 纠错

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

AI总结 GTA-RAG是一种图轨迹增强强化学习框架，通过轨迹级监督优化检索策略，在多跳和简单问答基准上，相比RL-based RAG基线提升了性能与证据链覆盖率。

Comments 11 pages, 5 figures. Accepted to EMNLP 2026 Fundings

Where Does Retrieval Fail? Evaluating RAG Architectures for Agricultural Advisory

检索何时失效？评估用于农业咨询的RAG架构

Khan Raiyan Ibne Reza, Sanjana Aktar Maria, Sumaiya Tabassum Nimi

机构 * North South University（北南大学） 纠错

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

AI总结 该研究针对孟加拉语农业咨询场景，构建测试集评估RAG的检索架构与嵌入模型，发现单一综合分数无法反映检索差异，提出低资源RAG评估需按语言条件和查询类型报告性能。

RAG-TESTER: Automated End-to-End Testing of Retrieval-Augmented Large Language Models

RAG-TESTER：检索增强型大语言模型的自动化端到端测试工具

Ange Maiztegi, Jon Ayerdi, Miren Illarramendi, Aitor Arrieta

机构 * Mondragon University（蒙德拉贡大学） 纠错

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

AI总结 RagTester是针对RAG系统的自动化端到端测试方法，通过生成测试用例、利用LLM评估结果，在24种配置中20种优于基线，可有效检测RAG的交互故障并支持部署评估。

Eyes-on-Me: Scalable RAG Poisoning through Transferable Attention-Steering Attractors

Eyes-on-Me: 通过可迁移的注意力引导吸引子实现可扩展的RAG投毒

Yen-Shan Chen, Sian-Yao Huang, Cheng-Lin Yang, Yun-Nung Chen

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

AI总结 提出Eyes-on-Me模块化攻击，通过可重用的注意力吸引子和焦点区域实现零成本适应新目标，在18种RAG设置下平均攻击成功率提升35.9个百分点，并迁移至未见过的黑盒检索器和生成器。

Journal ref Published in Forty-third International Conference on Machine Learning (2026)

When Retrieval Doesn't Help: A Large-Scale Study of Biomedical RAG

当检索无济于事：生物医学RAG的大规模研究

Erfan Nourbakhsh, Rocky Slavin, Ke Yang, Anthony Rios

机构 * The University of Texas at San Antonio（德克萨斯大学阿灵顿分校） 纠错

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

AI总结 本研究通过大规模实验发现，检索增强生成（RAG）在生物医学问答中仅带来微小且不一致的提升（1-2%），主要瓶颈在于模型有效利用检索证据的能力不足。

Comments 9 Pages, accepted to BioNLP Workshop at ACL 2026

Lost in the Evidence? Reproducing Document Position and Context Size Effects in RAG

迷失在证据中？重现RAG中的文档位置和上下文大小效应

Jorge Gabín, Anxo Perez, Javier Parapar

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

AI总结 本文通过系统可重复性研究，分析了检索增强生成中文档排序和上下文大小的影响，提出了主题采样校准方法，并揭示了理想设置与现实RAG管道之间的差异。

Comments Accepted at SIGIR 2026: 49th International ACM SIGIR Conference on Research and Development in Information Retrieval

LatentRAG: Latent Reasoning and Retrieval for Efficient Agentic RAG

LatentRAG: 基于潜在空间的高效代理RAG推理与检索

Yijia Zheng, Marcel Worring

机构 * University of Amsterdam（阿姆斯特丹大学） 纠错

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

AI总结 LatentRAG通过将推理与检索从离散语言空间转移到连续潜在空间，提升代理RAG的效率，实验表明其在七种基准数据集上性能与显式方法相当，推理延迟降低约90%。

An Agent-Oriented Pluggable Experience-RAG Skill for Experience-Driven Retrieval Strategy Orchestration

面向经验的可插拔经验型RAG技能：用于经验驱动的检索策略编排

Dutao Zhang, Tian Liao

机构 * Macao Polytechnic University（澳门理工学院） 纠错

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

AI总结 本文提出经验型RAG技能，通过分析场景和经验记忆选择合适检索策略，提升多任务检索效果，实测在多个数据集上优于固定检索基线。

Comments Preprint. 6 pages, 1 figure, 3 tables

Transforming External Knowledge into Triplets for Enhanced Retrieval in RAG of LLMs

将外部知识转化为三元组以增强LLM中RAG的检索

Xudong Wang, Chaoning Zhang, Qigan Sun, Zhenzhen Huang, Chang Lu, Sheng Zheng, Zeyu Ma, Caiyan Qin, Yang Yang, Hengtao Shen

机构 * School of Computing, Kyung Hee University（韩国庆熙大学计算机学院） ； School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； School of Information and Software Engineering, University of Electronic Science and Technology of China（电子科技大学信息与软件工程学院） ； School of Robotics and Advanced Manufacture, Harbin Institute of Technology（哈尔滨工业大学机器人与先进制造学院） ； School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） 纠错

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

AI总结 Tri-RAG通过结构化三元组构建提升检索效率，减少冗余信息，提高生成质量与资源利用率。

Comments 12 pages, 5 figures

Self-Knowledge Retrieval Augmented Generation Framework for Patent Matching

用于专利匹配的自知识检索增强生成框架

Jian Zhang, Songlin Lei, Zhuohao Yang, Bangli Liu, Ziwei Wang, Xufeng Weng, Gehan Amaratunga, Yu Lin, Hongwei Wang

机构 * School of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； ZJU-UIUC Institute, Zhejiang University（浙江大学ZJU-UIUC学院） ； Shaoxing K3i Technology Co. Ltd（绍兴K3i科技有限公司） ； State Key Laboratory of CAD&CG, Zhejiang University（浙江大学CAD&CG国家重点实验室） 纠错

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

AI总结 针对专利匹配的LLM方法存在成本高、易遗忘等问题，本文提出自知识RAG框架，结合FAISS检索与生成式匹配机制，在真实专利数据集上提升了检索匹配准确率。

Comments Accepted by IEEE CSCWD 2026

OpRAG: A Resource-Deterministic Runtime for GPU-Backed Multi-Stage RAG Workflows

OpRAG：面向GPU支持的多阶段RAG工作流的资源确定性运行时

Arup Kumar Sarker, Mills Staylor, Aymen Alsaadi, Gregor von Laszewski, Shantenu Jha, Geoffrey Fox

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

AI总结 本文提出OpRAG，一种面向GPU多阶段RAG的资源确定性分布式运行时，通过优化编排层降低非模型开销，在多模型多基准测试中显著提升RAG端到端性能。

Comments 14 pages, 6 figures, 5 Tables

From Cloud to Crowd: Democratizing LLM Service with Decentralized Edge Collaboration for RAG

从云端到人群：通过去中心化边缘协作实现面向检索增强生成（RAG）的大语言模型服务民主化

Jiaxing Li, Hengzhi Wang, Feng Wang, Chi Xu, Danyang Song, Ruixiao Zhang, Edith C. H. Ngai, Jiangchuan Liu

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

AI总结 该研究提出DEFRAG系统，通过异构边缘设备的去中心化协作优化RAG的检索与生成，缩小SLM与LLM的准确率差距，大幅降低成本并提升吞吐量，助力边缘LLM服务民主化。

Comments 15 pages

The Interference Gap: Comparing Retrieval Bounds in Human Memory and RAG Systems

干扰间隙：人类记忆与RAG系统中检索边界的比较

Dongxin Guo, Jikun Wu, Siu-Ming Yiu

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 提出统一信号检测理论框架，比较人类情景记忆与RAG系统在语义干扰下的检索边界，发现人类干扰敏感性更低，并验证了对数模型优于幂律模型。

Comments 8 pages, 2 figures, 1 table. Accepted at CogSci 2026

Influence Factors on RAG Poisoning

RAG投毒的影响因素

Pedro Pereira, Eva Maia, Isabel Praça, Adrien Bécue

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

AI总结 通过432种配置的全因子实验，研究数据集、检索器类型、检索深度、数据库组成、分块策略和生成模型对RAG系统投毒鲁棒性的影响，发现检索器架构、数据集和检索深度是主要因素，且投毒脆弱性源于多组件交互。

Comments 10 pages, 3 figures, 2 Tables, conference KES-2026 30th International Conference on Knowledge-Based and Intelligent Information & Engineering Systems

From Conflict to Consensus: Boosting Medical Reasoning via Multi-Round Agentic RAG

从冲突到共识：通过多轮代理RAG提升医疗推理

Wenhao Wu, Zhentao Tang, Yafu Li, Shixiong Kai, Mingxuan Yuan, Zhenhong Sun, Chunlin Chen, Zhi Wang

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MA-RAG框架，通过多轮代理循环迭代优化外部证据和内部推理历史，提升医疗复杂推理能力，实验显示在7个医疗问答基准上表现优于现有方法。

Comments 27 pages, 8 figures, 18 tables

Grounded Decoding: Retrieval-Anchored Probability Fusion for Faithful RAG

Grounded Decoding: 面向忠实RAG的检索锚定概率融合

Ibne Farabi Shihab, Fariya Afrin, Sanjeda Akter, Anuj Sharma

机构 * Department of Computer Science, Iowa State University（爱荷华州立大学计算机科学系） ； Department of Computer Science, Kalinga Institute of Industrial Technology（卡林加工业技术学院计算机科学系） ； Department of Civil, Construction & Environmental Engineering, Iowa State University（爱荷华州立大学土木、建设与环境工程系） 纠错

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

AI总结 提出Grounded Decoding，一种无需训练的推理时解码框架，通过KL-重心目标融合全RAG分布和仅检索分布，并引入冲突感知自适应加权，以提升RAG的事实一致性。

Culinary Crossroads: A RAG Framework for Enhancing Diversity in Cross-Cultural Recipe Adaptation

烹饪交汇点：一种增强跨文化食谱适应多样性的RAG框架

Tianyi Hu, Andrea Morales-Garzón, Jingyi Zheng, Maria Maistro, Daniel Hershcovich

机构 * Aarhus University（奥胡斯大学） ； University of Copenhagen（哥本哈根大学） ； Dept. of Computer Science and Artificial Intelligence, University of Granada（格拉纳达大学计算机科学与人工智能系） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 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CARRIAGE框架，通过增强检索与上下文组织来提升跨文化食谱适应的多样性，解决了RAG在生成多样化结果时的局限性。

Comments ACL 2026 (main)

Evaluating Factual Density in Multi-Source RAG: A Study in Medical AI Accuracy

评估多源RAG中的事实密度：医学AI准确性研究

Michael R. DeMarco

机构 * NexusAgentics 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

AI总结 针对标准RAG管道因专家盲视效应而忽视高密度事实证据的问题，提出事实密度（FD*）作为检索优化信号，通过概率事实性分析预处理和Z-score归一化消除长度偏差，在HealthFC基准上实现100%系统综述覆盖率。

Comments 16 pages, 8 tables. Includes Experiment 3 results (n=11, Wilcoxon p=0.0619). Preliminary findings; powered Experiment 3 and Graph RAG extension identified as future work. Updated from v1

Real-Time Hybrid Retrieval in Hyperbolic Space for Retrieval-Augmented Generation on Edge Devices

面向边缘设备检索增强生成的双曲空间实时混合检索

Aradhya Chakrabarti

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

AI总结 该研究提出一种基于洛伦兹模型双曲空间的混合文档检索系统，通过HyTE-H变换投影词嵌入，结合BM25与洛伦兹相似度评分，在BEIR基准数据集上取得良好效果，可在边缘设备实现RAG实时检索。

RAG-HAR+: Towards Cost-Efficient LLM-Based Human Activity Recognition for Edge Deployment

RAG-HAR+: 面向边缘部署的成本高效型基于大语言模型（LLM）的人类活动识别

Hansi Karunarathna, Nirhoshan Sivaroopan, Chamara Madarasingha, Anura Jayasumana, Kanchana Thilakarathna

机构 * University of Sydney（悉尼大学） ； Curtin University（科廷大学） ； Colorado State University（科罗拉多州立大学） 纠错

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

AI总结 RAG-HAR+是面向边缘部署的成本高效型LLM辅助HAR方案，通过检索设计智能体优化特征、对确定样本用多数投票、仅不确定样本用LLM，在六基准上性能相当或更优且降低了LLM相关开销。

Comments Submitted to IEEE Transactions on Mobile Computing. Extended version of the IEEE PerCom 2026 paper "RAG-HAR: Retrieval Augmented Generation-based Human Activity Recognition." (https://doi.org/10.1109/PerCom67906.2026.11524560)

Personalizing Student-Agent Interactions Using Log-Contextualized Retrieval-Augmented Generation (RAG)

基于日志上下文的检索增强生成在个性化学生代理互动中的应用

Clayton Cohn, Surya Rayala, Caitlin Snyder, Joyce Fonteles, Shruti Jain, Naveeduddin Mohammed, Umesh Timalsina, Sarah K. Burriss, Ashwin T S, Namrata Srivastava, Menton Deweese, Angela Eeds, Gautam Biswas

机构 * 1Department of Computer Science, Vanderbilt University, Nashville, USA 2College of Engineering \& Science, University of Detroit Mercy, Detroit, USA 3The School for Science ； Math, Vanderbilt University, Nashville, USA 纠错

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

AI总结 本文提出日志上下文化检索增强生成（LC-RAG）方法，通过环境日志增强协作对话的检索能力，使协作同伴代理Copa能提供个性化指导，支持学生在C2STEM环境中的批判性思维和知识决策。

Comments Peer reviewed; appeared in the International Conference on Artificial Intelligence in Education (AIED25) Workshop on Epistemics and Decision-Making in AI-Supported Education

Journal ref https://sites.google.com/view/edm-aied-2025/home

PonsRAG: A Pons-Inspired RAG Bridging Cognitive Islands for Coordinated Long Narrative Reasoning

PonsRAG：受脑桥启发的RAG，用于连接认知孤岛以实现协调的长文本推理

Rongchen Zhao, Yu Chen, Juyuan Wang, Zhouting Mo, Jianxing Yu, Wenqing Chen, Jingping Liu

机构 * School of Future Technology, South China University of Technology（华南理工大学未来技术学院） ； TikTok Inc（字节跳动公司） ； School of Artificial Intelligence, Sun Yat-sen University（中山大学人工智能学院） ； School of Software Engineering, Sun Yat-sen University（中山大学软件工程学院） 纠错

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

AI总结 针对现有RAG方法的认知孤岛化与跨层证据脱节问题，提出受脑桥启发的PonsRAG框架，通过三层索引与协调推理组件，在四项长文本叙事基准上实现多项选择任务平均准确率11.56%的相对提升。

Comments Accepted to EMNLP 2026 (Main Conference)

W-RAG: Source-Aware Retrieval for Enterprise Document Generation from Heterogeneous Knowledge Bases

W-RAG：面向异构知识库的企业文档生成的源感知检索方法

Hridya Dhulipala, Rajesh Ombase, Michael Wang, Tien N. Nguyen

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； DIGITAL MANAGEMENT, LLC (DMI) ； Massachusetts Institute of Technology（麻省理工学院） 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

AI总结 针对异构知识库下企业文档生成中全局排序导致的上下文失衡问题，提出源感知检索框架W-RAG，引入相关数据集并验证其可提升文档覆盖率与生成质量。

Comments 18 pages

SAGE: SLO-Aware Adaptive Retrieval for Production RAG Systems

SAGE：面向生产级RAG系统的感知SLO自适应检索方案

Muhammad Faizan Raza, Shuo, Yang, Satish Mahadevan Srinivasan

机构 * Pennsylvania State University（宾夕法尼亚州立大学） 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

AI总结 SAGE是面向生产级RAG系统的感知SLO自适应检索策略，通过模仿学习训练，能动态选段落数，在多数据集与LLM上提升SLO合规率、降本减时延且质量损失小。

Comments 7 pages, 5 figures, 2 tables. Authors' accepted version of a paper published in Proc. IEEE CoDIT 2026. The version of record is available at the DOI below

Journal ref 2026 12th International Conference on Control, Decision and Information Technologies (CoDIT), Bari, Italy, 2026, pp. 169-175