RAG / 检索增强生成

Efficient Listwise Reranking with Compressed Document Representations

高效列表级重排序与压缩文档表示

Hervé Déjean, Stéphane Clinchant

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

AI总结 本文提出RRK方法，通过压缩文档为多token固定大小嵌入表示，实现高效有效的列表级重排序，在参数较少的情况下提升了效率和效果。

Context-Aware Search and Retrieval Under Token Erasure

基于上下文的token擦除下的搜索与检索

Sara Ghasvarianjahromi, Joshua Barr, Yauhen Yakimenka, Jörg Kliewer

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

AI总结 本文研究了在token擦除情况下，基于RAG系统的搜索与检索模型，通过信息论分析，探讨了查询表示部分保留时的远程文档检索问题，提出基于术语频率的特征表示和语义自适应冗余分配方法，采用TF-IDF加权相似度进行检索，并通过数值结果验证了相似度边际向量收敛于多元高斯分布的结论。

Building Trust in the Skies: A Knowledge-Grounded LLM-based Framework for Aviation Safety

在天空中建立信任：一种基于知识的LLM框架用于航空安全

Anirudh Iyengar, Alisa Tiselska, Dumindu Samaraweera, Hong Liu

机构 * Senior Member, IEEE（IEEE高级会员） ； IEEE 纠错

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

AI总结 本文提出结合LLM和知识图谱的框架，提升航空安全分析的可信度，通过双阶段流程构建和验证安全知识，提高准确性和可追溯性。

Comments Initial version of a conference publication

ParaVul: A Parallel Large Language Model and Retrieval-Augmented Framework for Smart Contract Vulnerability Detection

Tenghui Huang, Jinbo Wen, Jiawen Kang, Siyong Chen, Zhengtao Li, Tao Zhang, Dongning Liu, Jiacheng Wang, Chengjun Cai, Yinqiu Liu, Dusit Niyato

机构 * School of Automation, Guangdong University of Technology（广东科技大學自動化學院） ； College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics（南京航空航天大學計算機科學與技術學院） ； School of Cyberspace Science and Technology, Beijing Jiaotong University（北京交通大學網絡空間科學與技術學院） ； School of Computer Science and Technology, Guangdong University of Technology（廣東科技大學計算機科學與技術學院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大學計算與數據科學學院） 纠错

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

Dense Expands, Sparse Anchors: Channel-Asymmetric Query Expansion for Hybrid Retrieval

密集扩展，稀疏锚点：用于混合检索的通道非对称查询扩展

Chunran Zhang

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

AI总结 本研究提出DESA通道非对称查询扩展方法，在7个BEIR数据集上提升检索指标，同时降低访问深度，为生成段落的通道特定整合及检索效果与访问深度的联合评估提供支撑。

Comments 13 pages, 4 figures. Code and artifacts: https://github.com/ln-one/dense-expands-sparse-anchors

The Recall Trap: A Recall-Maximizing Retriever Configuration Reduces Issue Resolution in Fixed-Budget Code Context

召回陷阱：固定预算代码上下文下，最大化召回率的检索器配置会降低问题解决效率

Alexander Adkins, Teimuraz Trapaidze

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

AI总结 该研究发现，最大化召回率的检索器配置会降低代码修复的问题解决率，建议固定预算下不要按文件硬去重，应针对任务而非检索指标优化打包策略。

Comments 24 pages, 2 figures. Reproducibility artifact: Zenodo DOI 10.5281/zenodo.21879550

MathForm: Scaling Mathematical Autoformalization with Knowledge Retrieval and Verification-Guided Refinement

MathForm：结合知识检索与验证引导的迭代优化实现数学自动形式化的规模化

Lushi Pu, Weiming Zhang, Xinheng Xie, Zixuan Fu, Bingxiang He, Hengyu Zhao, Hongya Lyu, Xin Li, Jie Zhou, Yudong Wang

机构 * ModelBest Inc.（ModelBest公司） ； Tsinghua University（清华大学） 纠错

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

AI总结 本研究提出MathForm框架，结合Mathlib知识检索与验证引导迭代优化构建Lean 4数据集，训练的MathForm-8B在多项基准测试中超越同类模型，实现了数学自动形式化的性能提升。

Comments 25 pages, 6 figures, 8 tables

DistilVDR: A Compact End-to-End Visual Document Retriever via Dual-Student Distillation

DistilVDR：通过双学生蒸馏实现的紧凑端到端视觉文档检索器

Zhuchenyang Liu, Ziyi Wang, Yao Zhang, Yu Xiao

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

AI总结 本研究提出DistilVDR，通过双学生蒸馏从80亿参数视觉-语言教师模型得到5.24亿参数的紧凑端到端VDR系统，在多个基准上性能接近教师模型且索引速度更快、体积更小。

Comments 15 pages, 2 figures, 8 tables

Hybrid Retriever Evolution for Multimodal Document Reasoning Agents

混合检索器演化：面向多模态文档推理代理

Bohan Yao, Shruthan Radhakrishna, Vikas Yadav

机构 * ServiceNow ； University of Washington（华盛顿大学） 纠错

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

AI总结 提出失败驱动的演化框架，让元代理自动学习任务代理如何协调多种检索器进行多步文档问答，实现自适应检索路由，在MMLongBench-Doc和DocBench上提升高达19.6分。

Comments 17 pages, 3 figures

High-Dimensional Concentration and Retrieval Instability in Embedding Spaces: Implications for Retrieval-Augmented Generation

嵌入空间中的高维浓度与检索不稳定性：对检索增强生成的影响

Ernesto Lopez Fune

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

AI总结 研究高维嵌入空间中距离和余弦浓度的现象，通过数值实验揭示其对最近邻检索稳定性的影响，并表明这些效应可能削弱检索增强生成中的基础可靠性。

Test-Time Training for Zero-Resource Dense Retrieval Reranking

零资源稠密检索重排的测试时训练

Shiyan Liu, Yichen Li

机构 * Huazhong University of Science and Technology（华中科技大学） ； ByteDance（字节跳动） 纠错

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

AI总结 提出 DART 方法，通过测试时自适应双线性评分矩阵，利用伪正负样本进行少量梯度更新，在零资源下提升稠密检索重排性能。

Comments Accepted at KnowFM @ ACL 2026

SERC: LDPC-Inspired Semantic Error Correction for Retrieval-Augmented Generation

SERC: 受LDPC启发的检索增强生成语义纠错方法

Gyumin Kim, Juhwan Park, Jaeha Kim, Seunggyun Han, Kyungrak Son, Ikbeom Jang

机构 * Department of Information Communications Engineering, Hankuk University of Foreign Studies, Republic of Korea（韩国外国语大学信息通信工程系） ； Division of Computer Engineering, Hankuk University of Foreign Studies, Republic of Korea（韩国外国语大学计算机工程系） ； Department of Statistics, Hankuk University of Foreign Studies, Republic of Korea（韩国外国语大学统计学系） 纠错

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

AI总结 针对大语言模型幻觉问题，提出受LDPC码启发的语义纠错框架SERC，通过稀疏验证策略高效检测和纠正生成文本中的错误。

Comments 15 pages, 2 figures, 6 tables. To appear in the Proceedings of the 28th International Conference on Pattern Recognition (ICPR 2026). Code available at https://github.com/labhai/SERC

Don't Retrieve, Generate: Prompting LLMs for Synthetic Training Data in Dense Retrieval

不检索，生成：通过提示LLMs生成合成训练数据用于密集检索

Aarush Sinha

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

AI总结 本文提出通过提示大型语言模型生成合成硬负样本，用于密集检索模型训练，通过在10个BEIR基准数据集上评估发现，生成模型性能不优于传统方法。

Lightweight Retrieval-Augmented Generation and Large Language Model-Based Modeling for Scalable Patient-Trial Matching

轻量级检索增强生成与基于大语言模型的建模用于可扩展的患者试验匹配

Xiaodi Li, Yang Xiao, Munhwan Lee, Konstantinos Leventakos, Young J. Juhn, David Jones, Terence T. Sio, Wei Liu, Maria Vassilaki, Nansu Zong

机构 * Department of Artificial Intelligence and Informatics, Mayo Clinic（人工智能与信息学系，梅奥诊所） ； Computer Science Department, University of Tulsa（图兰大学计算机科学系） ； Mayo Clinic Comprehensive Cancer Center, Mayo Clinic（梅奥诊所综合癌症中心，梅奥诊所） ； Division of Community Pediatric and Adolescent Medicine, Department of Pediatrics, Mayo Clinic（社区儿科与青少年医学分会，儿科部，梅奥诊所） ； Department of Neurology, Mayo Clinic（神经病学部，梅奥诊所） ； Department of Radiation Oncology, Mayo Clinic（放射肿瘤学部，梅奥诊所） ； Department of Quantitative Health Sciences, Mayo Clinic（定量健康科学部，梅奥诊所） 纠错

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

AI总结 本文提出轻量级框架，结合检索增强生成和大语言模型建模，解决患者试验匹配中长异构电子健康记录和复杂资格标准的可扩展性、泛化性和计算效率问题。

Comments 31 pages, 7 figures

MATRAG: Multi-Agent Transparent Retrieval-Augmented Generation for Explainable Recommendations

MATRAG：多智能体透明检索增强生成用于可解释推荐

Sushant Mehta

机构 * ACM 纠错

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

AI总结 MATRAG通过多智能体协作与知识图谱增强检索，提升推荐系统的透明性和可解释性，实验表明其在准确率和可信度上均优于现有方法。

ORPHEAS: A Cross-Lingual Greek-English Embedding Model for Retrieval-Augmented Generation

ORPHEAS：一种用于双语希腊-英语检索增强生成的跨语言嵌入模型

Ioannis E. Livieris, Athanasios Koursaris, Alexandra Apostolopoulou, Konstantinos Kanaris Dimitris Tsakalidis, George Domalis

机构 * Novelcore 纠错

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

AI总结 本文提出ORPHEAS模型，专门用于希腊-英语双语检索增强生成，通过知识图谱细调方法生成高质量数据集，提升希腊语领域术语和形态复杂性表达能力，实验表明其在单语和跨语言检索基准上优于现有多语言嵌入模型。

Comments This paper has been accepted for presentation at Engineering Applications and Advances of Artificial Intelligence 2026 (EAAAI'26)

Hybrid Retrieval for COVID-19 Literature: Comparing Rank Fusion and Projection Fusion with Diversity Reranking

新冠文献的混合检索：比较排名融合与投影融合与多样性重排序

Harishkumar Kishorkumar Prajapati

机构 * School of Electronic Engineering and Computer Science（电子工程与计算机科学学院） ； Queen Mary University of London（伦敦女王学院） 纠错

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

AI总结 本文提出一种新冠文献混合检索系统，通过比较排名融合与投影融合方法，展示了其在相关性、效率和多样性重排序方面的性能对比。

Comments 6 pages, 7 tables, 1 figure

HiPRAG: Hierarchical Process Rewards for Efficient Agentic Retrieval Augmented Generation

HiPRAG：分层过程奖励用于高效代理检索增强生成

Peilin Wu, Mian Zhang, Kun Wan, Wentian Zhao, Kaiyu He, Xinya Du, Zhiyu Chen

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Adobe Inc.（Adobe公司） 纠错

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

AI总结 HiPRAG通过引入细粒度的知识引导过程奖励，优化代理检索增强生成的推理过程，提升搜索效率并减少无效搜索。

Comments Accepted to ICLR 2026

FLANS at SemEval-2026 Task 7: RAG with Open-Sourced Smaller LLMs for Everyday Knowledge Across Diverse Languages and Cultures

FLANS在SemEval-2026任务7中的表现：使用开源的小型LLM进行跨多样语言和文化的日常知识检索增强生成

Liliia Bogdanova, Shiran Sun, Lifeng Han, Natalia Amat Lefort, Flor Miriam Plaza-del-Arco

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

AI总结 FLANS在SemEval-2026任务7中使用开源小型LLM和文化意识知识库进行跨语言日常知识检索增强生成。

Revela: Dense Retriever Learning via Language Modeling

Revela：通过语言建模进行密集检索器学习

Fengyu Cai, Tong Chen, Xinran Zhao, Sihao Chen, Hongming Zhang, Sherry Tongshuang Wu, Iryna Gurevych, Heinz Koeppl

机构 * Technical University of Darmstadt（达姆施塔特技术大学） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Microsoft（微软） ； Tencent AI Lab（腾讯人工智能实验室） 纠错

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

AI总结 Revela通过语言建模方法实现自监督检索器学习，无需标注数据即可在多个基准上超越监督模型。

Comments Accepted to ICLR 2026 (Oral). Camera-ready version

Beyond Fact Retrieval: Episodic Memory for RAG with Generative Semantic Workspaces

超越事实检索：具有生成语义工作区的RAG episodic记忆

Shreyas Rajesh, Pavan Holur, Chenda Duan, David Chong, Vwani Roychowdhury

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

AI总结 GSW通过生成语义工作区提升LLM的长上下文推理能力，实现更高效的记忆管理与时空连贯性。

Comments AAAI 2026 Oral, code available at: https://github.com/roychowdhuryresearch/gsw-memory

Learning to Select: Query-Aware Adaptive Dimension Selection for Dense Retrieval

学习选择：用于密集检索的查询感知自适应维度选择

Zhanyu Wu, Richong Zhang, Zhijie Nie

机构 * Beihang University（北京航空航天大学） 纠错

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

AI总结 本文提出了一种查询感知自适应维度选择框架，通过学习查询嵌入直接预测各维度的重要性，以提升密集检索效果。

GORAG: Graph-based Online Retrieval Augmented Generation for Dynamic Few-shot Social Media Text Classification

基于图的在线检索增强生成用于动态少样本社交媒体文本分类

Yubo Wang, Haoyang Li, Fei Teng, Lei Chen

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Guangzhou HKUST Fok Ying Tung Research Institute（广州HKUST福ying顿研究 institute） 纠错

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

AI总结 GORAG提出一种基于图的在线检索增强生成框架，用于动态少样本社交媒体文本分类，通过构建关键词和标签的加权图并动态检索上下文以提升分类性能。

Comments Accepted by WWW 2026

FilterRAG: Zero-Shot Informed Retrieval-Augmented Generation to Mitigate Hallucinations in VQA

FilterRAG: 零样本引导式检索增强生成以缓解视觉问答中的幻觉

Nobin Sarwar

机构 * University of Maryland, Baltimore County（马里兰大学巴尔的摩分校） 纠错

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

AI总结 FilterRAG通过结合BLIP-VQA与检索增强生成，利用外部知识源减少视觉问答中的幻觉问题，提升模型在知识驱动和分布外场景的鲁棒性。

Comments 12 pages, 6 figures and 2 tables; Accepted at ICCV 2025 Workshop on Building Foundation Models You Can Trust (T2FM)

GRITHopper: Decomposition-Free Multi-Hop Dense Retrieval

GRITHopper：无分解多跳密集检索

Justus-Jonas Erker, Nils Reimers, Iryna Gurevych

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

AI总结 GRITHopper-7B通过结合生成和表示指令微调，提出了一种无分解多跳密集检索模型，实现了在分布内和分布外基准上的最佳性能。

Comments Accepted at EACL 2026 Main Conference

Parallel Context-of-Experts Decoding for Retrieval Augmented Generation

并行专家上下文解码用于检索增强生成

Giulio Corallo, Paolo Papotti

机构 * SAP Labs, France（法国SAP实验室） ； EURECOM, France（法国EURECOM） 纠错

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

AI总结 并行专家上下文解码通过检索感知对比解码规则，实现检索增强生成中跨文档推理能力的恢复，无需训练。

Relevance to Utility: Process-Supervised Rewrite for RAG

效用相关性：基于过程的重写用于RAG

Jaeyoung Kim, Jongho Kim, Seung-won Hwang, Seoho Song, Young-In Song

机构 * IPAI, Seoul National University（IPAI，首尔国立大学） ； Naver Corp（Naver公司） 纠错

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

AI总结 R2U通过联合观察重写和回答过程中的推理来近似真实效用，提升检索增强生成系统的生成效用。

Reasoning in Action: MCTS-Driven Knowledge Retrieval for Large Language Models

行动中的推理：基于MCTS的知识检索用于大语言模型

Shuqi Liu, Bowei He, Chen Ma, Linqi Song

机构 * City University of Hong Kong（香港城市大学） ； City University of Hong Kong Shenzhen Research Institute（香港城市大学深圳研究院） 纠错

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

AI总结 本文提出一种基于MCTS的知识检索方法，通过增强LLM与对话逻辑结构的对齐，提升多轮对话中的推理能力和响应多样性。

Pointwise Mutual Information as a Performance Gauge for Retrieval-Augmented Generation

点wise互信息作为检索增强生成的性能评估指标

Tianyu Liu, Jirui Qi, Paul He, Arianna Bisazza, Mrinmaya Sachan, Ryan Cotterell

机构 * ETH Zürich（苏黎世联邦理工学院） ； CLCG, University of Groningen（格罗宁根大学认知语言学中心） ； University of Toronto（多伦多大学） 纠错

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

AI总结 本文提出利用点wise互信息作为检索增强生成的性能评估指标，通过实验验证其在提升生成性能中的有效性。

Comments NAACL 2025 Main Conference. Code is available at https://github.com/lyutyuh/poptimizer

Detecting Hallucinations in Graph Retrieval-Augmented Generation via Attention Patterns and Semantic Alignment

通过注意力模式和语义对齐检测图检索增强生成中的幻觉

Shanghao Li, Jinda Han, Yibo Wang, Yuanjie Zhu, Zihe Song, Langzhou He, Kenan Kamel A Alghythee, Philip S. Yu

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 本文提出通过注意力模式和语义对齐检测GraphRAG中的幻觉，开发了轻量级检测器GGA，提升了系统可靠性。