RAG / 检索增强生成

Curated retrieval versus open web search in public AI information services: a coverage-trust trade-off

公共人工智能信息服务中的 curated 检索与开放网页搜索：覆盖度-可信度权衡研究

Hafsteinn Einarsson, Hafsteinn Birgir Einarsson, Jón Gunnar Ólafsson, Jón Gunnar Þorsteinsson

机构 * Faculty of Industrial Engineering, Mechanical Engineering and Computer Science, University of Iceland（工业工程、机械工程和计算机科学学院，爱沙尼亚大学） ； Faculty of Political Science, University of Iceland（政治学学院，爱沙尼亚大学） ； The Icelandic Web of Science, University of Iceland（冰岛科学网络，爱沙尼亚大学） 纠错

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

AI总结 针对公共AI信息服务的源可信度问题，对比 curated 本地语料RAG与开放网页搜索两种检索路径，发现前者可信度高但覆盖有限，后者覆盖广但源可信度差，揭示了覆盖度与可信度的核心权衡。

MCompassRAG: Topic Metadata as a Semantic Compass for Paragraph-Level Retrieval

MCompassRAG：主题元数据作为段落级检索的语义指南针

Amirhossein Abaskohi, Raymond Li, Gaetano Cimino, Peter West, Giuseppe Carenini, Issam H. Laradji

机构 * University of British Columbia（不列颠哥伦比亚大学） ； University of Salerno（萨莱诺大学） ； ServiceNow Research（ServiceNow研究院） 纠错

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

AI总结 提出MCompassRAG框架，通过主题元数据增强段落表示，利用LLM蒸馏训练轻量检索器，实现主题感知检索，在六个基准上平均信息效率提升8.24%，延迟降低5倍以上。

Understanding the Behaviors of Environment-aware Information Retrieval

理解环境感知的信息检索行为

Ruifeng Yuan, Chaohao Yuan, David Dai, Yu Rong, Hong Cheng, Hou Pong Chan, Chenghao Xiao

机构 * Fudan University（复旦大学） ； Alibaba DAMO Academy（阿里巴巴达摩院） ； Chinese University of Hong Kong（香港中文大学） ； Stanford University（斯坦福大学） ； Shanghai University of Finance and Economics（上海财经大学） 纠错

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

AI总结 通过强化学习使LLM适应不同检索器的查询策略，发现不同检索器偏好不同查询风格，并提出分支式滚动技术提升训练稳定性。

Comments ACL 2026 Main

Learning to Reason by Analogy via Retrieval-Augmented Reinforcement Fine-Tuning

通过检索增强强化微调进行类比推理学习

Zilin Xiao, Qi Ma, Chun-cheng Jason Chen, Xintao Chen, Avinash Atreya, Hanjie Chen, Vicente Ordonez

机构 * Meta Superintelligence Labs（Meta超级智能实验室） ； Rice University（莱斯大学） 纠错

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

AI总结 提出RA-RFT框架，通过黄金相关性蒸馏训练检索器，并结合强化微调利用类比推理轨迹，提升数学推理性能。

Operationalizing Cyber Threat Intelligence with GraphRAG

用GraphRAG实现网络威胁情报的操作化

Atul Kabra, Prakhar Paliwal, Manjesh K. Hanawal

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

AI总结 本研究对比微软GraphRAG与Naive RAG，发现GraphRAG生成的网络威胁情报检测方案，在攻击线索轮换后保持率远高于后者，能依赖更难规避的持久线索，为自动生成SOC狩猎方案提供了架构基础。

Comments 12 pages

EnterpriseRAG: Benchmarking LLM Instruction Adherence and Robustness under Non-Ideal Enterprise Retrieval

EnterpriseRAG：非理想企业检索场景下LLM指令遵循与鲁棒性的基准测试

Huiqi Miao, Xinbao Sun, Bo Wang, Fanyu Meng, Lijun Mei, Na Wu, Di Jin, Chao Deng, Junlan Feng

机构 * Jiutian Research, China Mobile（中国移动九天研究院） 纠错

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

AI总结 研究针对企业RAG部署的可靠性问题，推出含983个样本的EnterpriseRAG基准，评估13个LLM发现其指令遵循崩溃，为生产级RAG提供可复现的评估基础

Retrieval-Augmented Large Language Models as Components of Cognitive Computing architecture for Regulatory Knowledge Management

作为监管知识管理认知计算架构组件的检索增强大语言模型

Dariusz Nowak-Nova

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

AI总结 研究探讨将大语言模型与检索增强生成架构集成用于监管知识管理，提出本地部署LLMs的架构方法，经实验验证，此集成提升了生成文本质量，引入可审计性等，增强后的LLMs可作为认知计算基础设施的语义处理模块。

Trajectory-Aware Retrieval Agents for Temporal Decision- Making

用于时间决策的轨迹感知检索代理

Jing Wang, Jie Shen, Xing Niu

机构 * Amazon（亚马逊） 纠错

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

AI总结 研究用大语言模型代理从长篇时间结构化文本中决策的问题，针对标准RAG丢弃时间结构缺陷，引入闭环代理框架TLM，其关键技术是LGCM，在医学问答、收益电话会议惊喜预测和隔夜股票缺口预测任务中表现出色。

Evidence-in-the-Loop: Trace-Driven Optimization for Customer-Service LLM Agents

循证优化：面向客户服务语言模型代理的跟踪驱动优化

Chunming Wu, Dafei Qiu, Congde Yuan, Charles Quan, Jun Wu, Suipeng Li, Mo Wu, Gavin Xie, Hope Chen, Max Yao

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

AI总结 研究面向客户服务语言模型代理的优化，提出循证客户服务代理工作流程，通过多种技术构建证据，结合政策引导编排。贡献混合RAG证据构建、循证问题/行动决策、跟踪驱动的RAG和重排器改进三种部署模式。

Evidence Interfaces Shape How Retrieval-Augmented Readers Use Support

证据接口塑造了检索增强型读者使用支持信息的方式

Junchi Liao, Jiawen Deng, Fuji Ren

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

AI总结 研究多跳 RAG 评估中前 k 答案分数隐藏的问题，通过对比不同训练方式的适配读者，区分支持可用性失败与读者接口效应，并指出在支持标注评估中应同时报告前 k 答案分数与完整支持覆盖率，黄金支持优先等方法可改进读者。

Comments 18 pages; includes references and appendices

QUBO-Optimized Evidence Selection for Retrieval-Augmented Question Answering with Unconventional Solvers

使用非常规求解器的QUBO优化证据选择用于检索增强问答

Rahul Singh, Madhav Vadlamani

机构 * University of California Santa Barbara（加利福尼亚大学圣巴巴拉分校） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 研究针对检索增强问答中证据选择问题，将其转化为QUBO问题构建能量函数，平衡多种因素选择证据段落，再由下游语言模型生成答案。在HotpotQA上评估，该方法性能与基于LLM的选择器相当，为RAG管道提供新思路。

Boolean queries are all you need?

布尔查询就足够了吗？

Charles L. A. Clarke, Mark D. Smucker

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

AI总结 研究在TREC 2024 RAG赛道任务中，为基于大语言模型的搜索代理配备布尔检索引擎，仅依据语料库子串与查询匹配密度排名，无需监督学习等，结果表明简单模式匹配或足以用于智能搜索。

RSRank: Learning Relevance from Representational Shifts

RSRank: 从表示偏移中学习相关性

Archit Gupta, Sai Sundaresan, Debabrata Mahapatra

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

AI总结 针对RAG系统中重排序依赖启发式阈值和语言模型logit信号的问题，提出基于表示偏移（RS）的相关性信号，通过轻量级训练框架学习映射，在零阈值下过滤无关内容，超越现有重排序器。

Comments Under Peer Review

CMIP-Forge: An Agentic System that Retrieves, Computes, and Self-Reviews Climate Science

CMIP-Forge：一个检索、计算和自我审查气候科学的智能体系统

Dmitrii Pantiukhin, Boris Shapkin, Ivan Kuznetsov, Thomas Jung, Nikolay Koldunov

机构 * Alfred Wegener Institute, Helmholtz Centre for Polar and Marine Research（阿尔弗雷德·韦格ener研究所，极地与海洋研究中心） 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 提出CMIP-Forge系统，结合检索增强生成与自主分析，通过多层级防御架构和独立审查机制，实现从文献到实时气候数据的端到端自主研究。

Comments 28 pages, 9 figures. Code available at https://github.com/CliDyn/cmip6_gpt

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

Knowledge-Graph-Guided Retrieval-Augmented LLMs for Explainable Root Cause Analysis in Automotive HiL Validation

知识图谱引导的检索增强大语言模型用于汽车在环（HiL）验证中的可解释根本原因分析

Hamza Ouarrad, Mohammad Abboush, Andreas Rausch

专题命中 检索器与排序 ：RAG(summary_cn,abstract)

AI总结 该研究提出KG引导的RAG-LLM框架，用于汽车HiL数据的RCA与故障定位，在ASM汽油发动机和电动车系统案例中分别获90%、94% Top-1准确率，可实现可解释且泛化的故障分析。

Comments 10 pages, 3 figures, 5 tables. Accepted for publication and oral presentation at the 10th International Conference on System Reliability and Safety (ICSRS 2026), Rome, Italy, November 23--25, 2026

Multimodal CoLRAG-TF: Triple-Filtered Retrieval for Complex PDFs

多模态CoLRAG-TF：复杂PDF的三重过滤检索

Takato Yasuno

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

AI总结 研究针对异构PDF集合检索增强生成的挑战，提出多模态CoLRAG-TF四轴融合架构，集成多种技术。构建多模态索引，经贝叶斯优化确定融合权重。实验显示其检索召回率高，多跳答案相似性提升显著，还适用于视觉输入，提供通用框架。

Comments 18 pages, 8 tables, 9 figures

A Reproducible Benchmark and Evidence-Retrieval Software Framework for Silicon Detector R&D Literature

硅像素探测器研发的基于证据的检索基准与混合RAG框架

Tianqi Gao, Ruobing Jiang, Dawei Fu, Qiang Li, Matthew Kenzie

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

AI总结 针对硅像素探测器文献检索瓶颈，提出首个基于证据的检索基准和混合检索框架，结合稀疏、密集、混合检索和图探索，实验表明混合稀疏-密集检索在证据恢复上最可靠。

Comments 30 pages, 12 figures

Graph-Enhanced Large Language Models for Spatial Search

用于空间搜索的图增强大型语言模型

Nicole R. Schneider, Kent O'Sullivan, Hanan Samet

机构 * University of Maryland（马里兰大学） ； University of Sydney（悉尼大学） 纠错

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

AI总结 针对大语言模型空间推理能力不足的问题，提出图增强方法，将空间数据以图形式存储并与检索增强生成结合，提升复杂空间问题回答能力。

Retrievable Gradients: Continual Post-Training Without Cumulative Weight Drift

可检索梯度：无累积权重漂移的持续后训练

Weihang Su, Jiacheng Kang, Jingyan Xu, Qingyao Ai, Jianming Long, Hanwen Zhang, Bangde Du, Xinyuan Cao, Min Zhang, Yiqun Liu

机构 * Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） 纠错

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

AI总结 提出ReGrad范式，将梯度作为可检索知识单元，通过元学习重塑文档梯度为通用适应信号，实现无权重漂移的可扩展参数知识注入。

SCoRD: Semantic-Assisted Continual Retriever-Reranker Distillation for LLM-Based Recommendation

SCoRD：用于基于大语言模型（LLM）推荐的语义辅助持续检索-重排序蒸馏

Seunghyun Baek, Gyuseok Lee, Seunghan Lee, Wonbin Kweon, Dong Wang, SeongKu Kang

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

AI总结 SCoRD是面向非平稳数据流的LLM推荐两阶段流程的持续知识蒸馏框架，通过语义推理助手实现检索器与重排序器的高效协同适配，在真实数据集上验证了其有效性。

SSR-GRPO: Integrating Supervision and Semantic IDs into Reinforcement Learning for Dense Retrieval in E-commerce

SSR-GRPO：将监督与语义标识符集成到强化学习中用于电商领域的密集检索

Guangxin Song, Xing Fang, Mingmin Jin, Jing Wang, Bokang Wang, Zhentao Song, Junjie Bai, Jianbo Zhu

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

AI总结 该研究针对电商嵌入检索的语义处理难题，提出SSR-GRPO模型，通过双视角相关性评估、难负样本挖掘等策略优化R-GRPO，经实验验证有效并已部署于大规模电商平台。

Navigation-Informed Embeddings: Dense-Retriever Adaptation from Agent Search Traces

导航启发式嵌入：基于智能体搜索轨迹的密集检索器适配

Shrey Shah, Levent Ozgur

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

AI总结 该研究提出 NIE 方法，利用智能体检索轨迹无需额外标注即可适配密集检索器，在基准任务上提升了 Recall@20、长路径性能及 nDCG@10 指标，提供轻量适配通道。

Retrieval Grounding Latent Reasoning for Dense Retrieval

用于密集检索的检索 grounding 潜在推理

Gang Zhou, Xiongxi Yu, Hu Tian, Yang Wei, Lu Pan, Ke Zeng, Shibiao Xu, Xiaolong Zheng

机构 * Meituan（美团） 纠错

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

AI总结 本文提出用于密集检索的 RGLT 框架，结合过程监督蒸馏与检索 grounding 监督优化潜在推理轨迹，在推理密集型检索基准上优于基线且保持高效推理。

Retrieval-Augmented Generation to Support Railways Engineering Tasks: A Case Study

检索增强生成支持铁路工程任务：案例研究

Andrea Gerardo Russo, Federico Ruggeri, Ivan Tomarchio, Davide Bombini, Nicolò Donati, Gianmarco Pappacoda, Paolo Torroni, Giuseppe-Emiliano La Cara

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

AI总结 本文通过案例研究，展示了从设计到部署构建检索增强生成系统，用于铁路领域复杂技术法规的咨询，平衡技术能力与领域专业知识。

Scaling Dense Retrieval with LLM-Annotated Training Data: Structured Mining and Progressive Curriculum for E-Commerce Sponsored Search

使用LLM标注的训练数据扩展稠密检索：面向电商赞助搜索的结构化挖掘与渐进式课程

Md Omar Faruk Rokon, Shasvat Desai, Jhalak Nilesh Acharya, Isha Shah, Kumar Priyam, Brahanyaa Somasundaram, Vamsee Tangirala, Minuteresa Thomas, Vivek Arora, Vijay Manchi, Hong Yao, Kuang-chih Lee

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

AI总结 针对电商搜索中点击信号偏差和人工标注成本高的问题，提出利用多通道检索挖掘、校准的LLM级联标注和五级渐进式课程训练，在Walmart搜索中实现NDCG@10提升5.1%，尾查询提升显著。

Comments Accepted at E-Commerce Workshop, SIGIR 2026

Think Inside the Chunk: RegulaRAG for Regulation-Compliant Scenario Generation using LLMs: A Case Study of UN Regulation No. 152

在块内思考：使用大语言模型生成符合法规的场景的RegulaRAG——以联合国第152号法规为例

Vahid Zolfaghari, Nenad Petrovic, AndrÉ Schamschurko, Alois Knoll

机构 * Technical University of Munich（慕尼黑工业大学） 纠错

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

AI总结 针对LLMs难以结合冗长分层标准的问题，提出RegulaRAG流水线，经实验其在UN R152数据集上元分数最高且鲁棒性强，优于基线系统。