RAG / 检索增强生成

GoldenRetriever: Non-Interactive Homomorphic Encrypted Retrieval for Privacy-Preserving RAG

GoldenRetriever：用于隐私保护RAG的非交互式同态加密检索

Yang Gao, Gang Quan, Scott Piersall, Qian Lou, Dongdong Wang, Liqiang Wang

机构 * University of Central Florida（中佛罗里达大学） ； Florida International University（佛罗里达国际大学） ； University of Florida（佛罗里达大学） 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 针对现有隐私保护RAG检索方案延迟高、易泄露的问题，提出基于阈值选择的非交互式同态加密检索框架，通过CKKS同态计算与掩码极化方法实现高效安全的检索，性能优于排名式加密方法。

Comments 10 pages

Comparing RAG and GraphRAG for Page-Level Retrieval Question Answering on a Math Textbook

比较RAG和GraphRAG在数学教科书页面级检索问答中的应用

Eason Chen, Chuangji Li, Eric Li, Zimo Xiao, Jionghao Lin, Kenneth R. Koedinger

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(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 研究在本科数学教科书页面级问答中比较RAG和GraphRAG，用477个问答对数据集在检索准确率和答案质量两指标上对比五个RAG模型、BM25基线及GraphRAG，发现基于嵌入的RAG更优，还通过开源模型复制实验，为AI辅导系统设计提供参考。

Comments 6 pages, 1 figure

Augmenting Fundamental Analysis with Large Language Models: A RAG-Based System for Generating Investor Briefs

用大语言模型增强基本面分析：基于RAG的投资者简报生成系统

Bartosz Ziółko, Kacper Dobrzeniewski

机构 * Faculty of Computer Science, AGH University of Krakow（克拉科夫AGH科技大学计算机科学学院） 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 研究利用大语言模型，通过对公司报告、宏观经济数据及SEC文件等进行预处理，以类似RAG方式借助gpt - 4o模型，结合基于基钦周期的投资者知识文档，扫描分析9家公司数据并生成简报供投资者评估，探索其在基本面分析中的应用。

GRACE-RAG: Governed Retrieval Architecture for Canonical Evidence Synthesis, Enabling Lightweight Deployment in Closed-Domain Institutional Settings

GRACE-RAG：用于规范证据合成的受控检索架构，实现封闭领域机构环境中的轻量级部署

Asit Desai, Aman Kumar, Prashant Devadiga

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

AI总结 提出GRACE-RAG架构，通过图增强检索将结构推理外化到检索层，在轻量级模型上实现高质量问答，中规模模型质量提升达20%。

Comments 15 pages, 5 figures, 4 tables. Submitted to COLM 2026

Beyond the Reranker: Do RAG Retrieval Enhancements Help Once a Strong Reranker Is Present?

超越重排序器：当存在强重排序器时，RAG检索增强方法是否还有帮助？

Sadanand Singh, Allam Reddy, Manan Chopra

机构 * Cascade Research（Cascade研究） 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.AI

AI总结 研究在强重排序器存在下，多种RAG检索增强方法是否仍有效。构建异构基准HetDocQA，发现仅查询扩展和SSCC（新提出的逐源校准校正器）能带来可靠提升。

When Confidence Takes the Wrong Path: Diagnosing Retrieval-State Lock-In in RAG

当自信误入歧途：诊断RAG中的检索状态锁定

Sahib Julka

机构 * LMU University Hospital, LMU Munich（慕尼黑大学医院，慕尼黑大学） 纠错

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

AI总结 本文诊断了RAG系统中因检索状态锁定导致置信度虚高的问题，通过分离答案、证据和检索状态三个对象，提出可审计的决策规则，在KG-RAG和密集检索中验证了该问题的普遍性。

$π$-RAG: Oblivious Retrieval via Semantic Quantization and Transcendental Addressing for Large Language Models

$\pi$-RAG：通过语义量化和超越寻址实现的大语言模型遗忘检索

Aniket Wattamwar, Mrunal Kakirwar

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 提出$\pi$-RAG架构，利用$\pi$的数字作为超越熵源，通过语义量化层将用户输入映射到规范意图质心，生成$\pi$-key实现遗忘检索，保障数据隐私。

Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage

超越相关性：检索与RAG信息覆盖之间的关系

Saron Samuel, Alexander Martin, Eugene Yang, Andrew Yates, Dawn Lawrie, Ian Soboroff, Laura Dietz, Benjamin Van Durme

机构 * Johns Hopkins University（约翰霍普金斯大学） ； National Institute of Standards and Technology（国家标准与技术研究院） ； University of New Hampshire（新罕布什尔大学） 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.AI

AI总结 研究检索质量与生成响应信息覆盖的关系，发现基于覆盖的检索指标与生成响应中的要点覆盖强相关，支持用检索指标代理RAG性能。

Comments 12 pages, ICTIR 2026

When RAG Hurts: Diagnosing and Mitigating Attention Distraction in Retrieval-Augmented LVLMs

当RAG有害：诊断和缓解检索增强LVLMs中的注意力分散

Beidi Zhao, Wenlong Deng, Xinting Liao, Yushu Li, Nazim Shaikh, Yao Nie, Xiaoxiao Li

机构 * 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 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 本文发现检索增强生成（RAG）在LVLMs中导致注意力分散（AD）问题，即检索文本抑制视觉注意力并偏离问题相关区域，提出MAD-RAG方法通过双问题公式和注意力混合来解耦视觉定位与上下文整合，在三个基准上提升性能并纠正大部分失败案例。

Comments 19 pages, 13 figures

Agent-Orchestrated Adaptive RAG: A Comparative Study on Structured and Multi-Hop Retrieval

Agent编排的自适应RAG：结构化与多跳检索的比较研究

Anuj Maharjan, Devinder Kaur, Richard Molyet

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 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(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 提出Agent编排的自适应RAG框架，通过动态查询分解、迭代检索和自反思评估，在结构化领域（DevOps）和多跳推理基准（MuSiQue）上对比发现，查询分解在结构化领域提升性能但降低多跳排名精度，反思机制提高引用准确性但增加延迟，表明Agent增强需根据查询和领域特性选择性应用。

HGMEM: Hypergraph-based Working Memory to Improve Multi-step RAG for Long-Context Complex Relational Modeling

HGMem：基于超图的工作记忆以改进长上下文复杂关系建模的多步RAG

Chulun Zhou, Chunkang Zhang, Guoxin Yu, Fandong Meng, Jie Zhou, Wai Lam, Mo Yu

机构 * The Chinese University of Hong Kong.（香港中文大学） ； Pengcheng Laboratory.（鹏城实验室） ； WeChat AI, Tencent（微信AI，腾讯） ； University of Chinese Academy of Sciences.（中国科学院大学） 纠错

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

AI总结 提出HGMem超图工作记忆系统，通过超边表示记忆单元并渐进形成高阶交互，增强多步RAG中的全局理解和复杂推理能力。

Comments ICML 2026; Code released at https://github.com/Encyclomen/HGMem

Query-Aware Flow Diffusion for Graph-Based RAG with Retrieval Guarantees

基于查询意识的流扩散图基RAG系统：具有检索保证

Zhuoping Zhou, Davoud Ataee Tarzanagh, Sima Didari, Wenjun Hu, Baruch Gutow, Oxana Verkholyak, Masoud Faraki, Heng Hao, Hankyu Moon, Seungjai Min

机构 * Samsung SDS Research America（三星SDS美国研究院） 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.AI

AI总结 本文提出了一种无需训练的Query-Aware Flow Diffusion RAG（QAFD-RAG）系统，通过动态适应查询语义来改进图基RAG系统的检索能力，提供了首次统计保证，证明在弱信号-噪声条件下，QAFD-RAG能够以高概率恢复相关子图。

Comments Published at the International Conference on Learning Representations (ICLR) 2026. 38 pages, 5 figures, 10 tables

ADMIT: Few-shot Knowledge Poisoning Attacks on RAG-based Fact Checking

ADMIT: RAG基事实核查中的少样本知识污染攻击

Yutao Wu, Xiao Liu, Yinghui Li, Yifeng Gao, Yifan Ding, Jiale Ding, Xiang Zheng, Xingjun Ma

机构 * Deakin University（德金大学） ； Fudan University（复旦大学） ； City University of Hong Kong（香港城市大学） 纠错

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

AI总结 ADMIT提出一种无需访问目标模型的少样本攻击方法，通过注入真实证据来翻转事实核查决策，实验显示其在多种系统中成功率达86%，揭示了RAG事实核查系统的重大漏洞。

Assessment of RAG and Fine-Tuning for Industrial Question-Answering-Applications

对RAG和微调在工业问答应用中的评估

Jakob Sturm, Josef Pichlmeier, Christian Bernhard, Maka Karalashvili, Johannes Klepsch, Georg Groh, Andre Luckow

机构 * BMW Group（宝马集团） 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 本文通过汽车行业封闭数据集评估RAG和微调在问答系统中的效果，发现RAG在质量和成本效率上优于微调，尤其适用于开源模型。

Comments Accepted at AAAI 2026 Workshop on New Frontiers in Information Retrieval

LARAG: Link-Aware Retrieval Strategy for RAG Systems in Hyperlinked Technical Documentation

LARAG：超链接技术文档中基于链接的RAG系统检索策略

Giorgia Bolognesi, Claudio Estatico, Ulderico Fugacci, Isabella Mastroianni, Claudio Muselli, Luca Oneto

机构 * Rulex s.r.l.（Rulex公司） ； Department of Mathematics (DIMA), University of Genoa（热那亚大学数学系） ； Department of Computer Science, Bioengineering, Robotics, and Systems Engineering (DIBRIS), University of Genoa（热那亚大学计算机科学、生物工程、机器人学和系统工程系） 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.AI

AI总结 LARAG通过利用HTML文档中已有的超链接结构，改进RAG系统检索效果，提升答案质量并降低资源消耗。

H-RAG at SemEval-2026 Task 8: Hierarchical Parent-Child Retrieval for Multi-Turn RAG Conversations

H-RAG在SemEval-2026任务8中的应用：多轮RAG对话中的层次父-子检索

Passant Elchafei, Hossam Emam, Mohamed Alansary, Monorama Swain, Markus Schedl

机构 * Johannes Kepler University Linz（约翰尼斯·开普勒大学林茨） ； Linz Institute of Technology（林茨技术学院） ； Artificial Intelligence Lab（人工智能实验室） 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 H-RAG通过层次化父-子检索方法提升多轮RAG对话性能，结合密集-稀疏搜索与上下文重构，实现检索与生成的协同优化。

Can QPP Choose the Right Query Variant? Evaluating Query Variant Selection for RAG Pipelines

QPP能否选择正确的查询变体？评估RAG流水线中的查询变体选择

Negar Arabzadeh, Andrew Drozdov, Michael Bendersky, Matei Zaharia

机构 * UC Berkeley（伯克利大学） ； Databricks（Databricks公司） 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 本文研究了在RAG流水线中如何选择最佳查询变体，通过大规模实验评估了预检索和后检索预测器的性能，发现检索相关性与生成保真度之间存在'效用差距'，但QPP能有效提升端到端质量。

HaS: Accelerating RAG through Homology-Aware Speculative Retrieval

HaS：通过同源感知的推测检索加速RAG

Peng Peng, Weiwei Lin, Wentai Wu, Xinyang Wang, Yongheng Liu

机构 * South China University of Technology（华南理工大学） ； Pengcheng Laboratory（鹏城实验室） ； Jinan University（暨南大学） ； Beijing Forestry University（北京林业大学） 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 HaS通过同源感知的推测检索框架，在受限范围内进行低延迟推测检索以获取候选文档，并验证其是否包含所需知识，从而提升RAG的效率。

Comments Accepted by ICDE 2026

FlexStructRAG: Flexible Structure-Aware Multi-Granular Relational Retrieval for RAG

FlexStructRAG: 一种灵活的结构感知多粒度关系检索方法用于RAG

Mengzhu Chen, Haodong Yang, Jia Cai, Xiaolin Huang

机构 * School of Statistics and Data Science, Guangdong University of Finance & Economics（广东金融学院统计与数据科学学院） ； Guangdong Provincial Key Laboratory of Public Finance and Taxation with Big Data Application, Guangdong University of Finance & Economics（广东省公共财政与税收大数据应用重点实验室，广东金融学院） ； Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University（上海交通大学图像处理与模式识别研究所） ； MOE Key Laboratory of System Control and Information Processing, Shanghai Jiaotong University（教育部系统控制与信息处理重点实验室，上海交通大学） 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.AI

AI总结 FlexStructRAG通过构建多粒度知识图谱和超图，实现灵活的关系检索，提升RAG系统的语义理解与生成能力。

Retrieved But Not Reliable: A Survey on Attacks, and Defenses in Retrieval-Augmented Generation

可检索但不可靠：检索增强生成中的攻击与防御研究综述

Minh Tran, Cuong Dang, Tuc Nguyen, Khanh-Tung Tran, Minh Huynh Nguyen, Trinh Chau, Kien Le, Do Xuan Long, Jiahao Zhang, Fali Wang, Hoang D. Nguyen, Thanh Le, Suhang Wang

机构 * Faculty of Information Technology, University of Science（胡志明市科学大学信息技术学院） ； Vietnam National University, Ho Chi Minh City（越南国家大学胡志明市分校） ； Virginia Tech（弗吉尼亚理工大学） ； Indiana University（印第安纳大学） ； University College Cork（科克大学学院） ； National University of Singapore（新加坡国立大学） ； VNU University of Engineering and Technology（越南国家大学工程技术大学） ； The Pennsylvania State University（宾夕法尼亚州立大学） 纠错

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

AI总结 本综述针对检索增强生成（RAG）的安全与鲁棒性问题，形式化其各阶段威胁模型，分类攻击目标并梳理各阶段防御及评估方法，为该领域提供统一研究框架。

Comments 24 pages, 6 figures. Accepted to Findings of the Association for Computational Linguistics: EMNLP 2026. Peer-reviewed through ACL Rolling Review (ARR)

GridCodex: A RAG-Driven AI Framework for Power Grid Code Reasoning and Compliance

GridCodex：一种用于电网规则推理与合规性的RAG驱动AI框架

Jinquan Shi, Yingying Cheng, Fan Zhang, Miao Jiang, Jun Lin, Yanbai Shen

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

AI总结 针对电网规则缺乏自动化解读的问题，提出结合大语言模型、RAG及RAPTOR的GridCodex框架，经验证其答案质量提升26.4%、召回率超10倍，可助力电网合规性提升。

Towards Safer RAG: Only Agents Capable of System 2 Thinking may Access Untrusted Documents

迈向更安全的检索增强生成（RAG）：仅具备系统2思考能力的智能体可访问不可信文档

Mehrdad Ghassabi

机构 * University of Isfahan（伊斯法罕大学） 纠错

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

AI总结 本研究针对RAG系统的知识投毒漏洞，提出仅具备系统2推理能力的智能体可访问不可信文档的安全原则，通过实证证明该原则能提升模型对被破坏证据的鲁棒性且无需严格隔离。

CuSearch: Curriculum Rollout Sampling via Search Depth for Agentic RAG

CuSearch：通过搜索深度进行课程展开采样以实现代理RAG

Jianghan Shen, Siqi Luo, Xinyu Cheng, Jing Xiong, Yue Li, Jiyao Liu, Jiashi Lin, Yirong Chen, Junjun He

机构 * Nanjing University（南京大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Peking University（北京大学） ； University of Hong Kong（香港大学） 纠错

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

AI总结 本文提出CuSearch，通过搜索深度贪心分配策略改进代理RAG训练，提升检索监督密度，实验显示在ZeroSearch上性能提升达11.8个精确匹配点。

Comments The paper has been accepted by COLM 2026. Code: https://github.com/MrToser/CuSearch

Skill-RAG: Failure-State-Aware Retrieval Augmentation via Hidden-State Probing and Skill Routing

Skill-RAG: 通过隐藏状态探测与技能路由实现故障状态感知的检索增强

Kai Wei, Raymond Li, Xi Zhu, Zhaoqian Xue, Jiaojiao Han, Jingcheng Niu, Fan Yang

机构 * University of Michigan（密歇根大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Rutgers University（罗格斯大学） ； University of Pennsylvania（宾夕法尼亚大学） ； New Jersey Institute of Technology（新泽西理工学院） ； TU Darmstadt（图腾斯大学） ； Wake Forest University（威克森林大学） 纠错

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

AI总结 提出Skill-RAG框架，通过轻量级隐藏状态探测器和基于提示的技能路由器，在检索失败时诊断原因并选择四种技能（查询重写、问题分解、证据聚焦、退出）纠正查询-证据错位，显著提升多轮检索后困难案例的准确性。

PURPOSE: Poisoning Conflict Resolution in RAG via Proxy-Fact-Grounded Updates

PURPOSE：基于代理事实更新的RAG中毒冲突解决

Zijian Wang, Yubo Zhu, Muzhi Dong, Yanjun Lou, Yisheng Li, ZiLiang Zhang, Wei Tong, Yuan Zhang, Jingyu Hua, Sheng Zhong

机构 * School of Computer Science, Nanjing University（南京大学计算机科学学院） ； State Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室） 纠错

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

AI总结 本文提出PURPOSE黑盒中毒攻击，通过基于代理事实的非矛盾性更新实现对RAG冲突解决机制的有效攻击，在多数实验设置中攻击成功率显著优于现有方法。

DenialRAG: Single-Document RAG Poisoning via Embedded Parametric Denial

DenialRAG：通过嵌入参数化弃权的单文档RAG污染攻击

Abay Zhurekbay, Tao Liu, Fan Li

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

AI总结 本文提出DenialRAG单文档RAG污染攻击，通过嵌入参数化弃权引导LLM生成错误答案，经多数据集、多模型及防御评估，其在Mistral-7B上攻击效果最优，凸显RAG污染风险的复杂性。

Comments Submit to ACSAC 2026

Reproducing LightMem: Naive RAG Is Just as Good for Memory Management

复现LightMem：朴素检索增强生成（Naive RAG）在记忆管理上效果相当

Yongjie Zhou, Shuai Wang, Bevan Koopman, Guido Zuccon

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

AI总结 本研究复现轻量记忆管理方法LightMem，对比发现其效果取决于检索器和令牌预算，直接从原始用户回合检索的Naive RAG在匹配深度时表现更优，LightMem仅在严格令牌预算下占优，并非通用更好的记忆管理方案。

Comments Code: https://github.com/ielab/Reproducing-LightMem

RAGuard: A Layered Defense Framework for Retrieval-Augmented Generation Systems Against Data Poisoning

RAGuard：一种针对检索增强生成系统数据中毒的分层防御框架

Pushkal Kumar, Tucker Nielson, Tanish Kolhe, Shubham Zala, Vincent Li

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

AI总结 该研究针对RAG系统的语料库中毒攻击，提出分层防御框架RAGuard，含对抗微调检索器与ZKIP两层，可将攻击成功率降至0，且保持检索性能，相关资源已开源。

Comments Accepted to NeurIPS ResponsibleFM 2025, AAAI FrontierIR 2026

StateRAG: Typed State Contracts for Complex Retrieval-Augmented Generation

EfficientGraph-RAG：面向跨任务检索增强生成的结构化检索状态管理

Miaohe Niu, Pengxiang Li, Jingbo Zhu, Tong Xiao

机构 * School of Computer Science and Engineering, Northeastern University, China（东北大学计算机科学与工程学院） ； Tsinghua University, China（清华大学） ； Kunming University of Science and Technology, China（昆明理工大学） ； NiuTrans Research, Shenyang, China（沈阳NiuTrans研究院） 纠错

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

AI总结 提出EfficientGraph-RAG框架，通过显式定义检索状态（TAM、MARS、SMP三个机制）实现结构化状态管理，在多个基准上提升答案质量并降低大模型token消耗。

Diagnosing and Repairing Factual Errors in RAG under Budget Constraints

预算约束下RAG中事实性错误的诊断与修复

Soroush Hashemifar, Havva Alizadeh Noughabi, Fattane Zarrinkalam, Ali Dehghantanha

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

AI总结 提出D2R-RAG框架，通过轻量级诊断和自适应修复，在预算约束下提升检索增强生成的事实性，实现准确性与效率的更好权衡。