RAG / 检索增强生成

A Proposed Large Language Model-Based Smart Search for Archive System

Ha Dung Nguyen, Thi-Hoang Anh Nguyen, Thanh Binh Nguyen

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

Comments The 13th International Symposium on Information and Communication Technology (SOICT 2024)

SUGAR: Leveraging Contextual Confidence for Smarter Retrieval

Hanna Zubkova, Ji-Hoon Park, Seong-Whan Lee

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

Comments ICASSP2025

M3DocRAG: Multi-modal Retrieval is What You Need for Multi-page Multi-document Understanding

Jaemin Cho, Debanjan Mahata, Ozan Irsoy, Yujie He, Mohit Bansal

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

Comments Project webpage: https://m3docrag.github.io

CORAL: Benchmarking Multi-turn Conversational Retrieval-Augmentation Generation

Yiruo Cheng, Kelong Mao, Ziliang Zhao, Guanting Dong, Hongjin Qian, Yongkang Wu, Tetsuya Sakai, Ji-Rong Wen, Zhicheng Dou

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

HijackRAG: Hijacking Attacks against Retrieval-Augmented Large Language Models

Yucheng Zhang, Qinfeng Li, Tianyu Du, Xuhong Zhang, Xinkui Zhao, Zhengwen Feng, Jianwei Yin

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

Dense Passage Retrieval: Is it Retrieving?

Benjamin Reichman, Larry Heck

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

Ancient Wisdom, Modern Tools: Exploring Retrieval-Augmented LLMs for Ancient Indian Philosophy

Priyanka Mandikal

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

Comments Outstanding Paper at the Machine Learning for Ancient Languages Workshop, 2024.ml4al-1.23, Association for Computational Linguistics (ACL) 2024

Evaluating the Retrieval Component in LLM-Based Question Answering Systems

Ashkan Alinejad, Krtin Kumar, Ali Vahdat

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

RAR-b: Reasoning as Retrieval Benchmark

Chenghao Xiao, G Thomas Hudson, Noura Al Moubayed

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

Comments v2, small typo fixes

Retrieval Augmented End-to-End Spoken Dialog Models

Mingqiu Wang, Izhak Shafran, Hagen Soltau, Wei Han, Yuan Cao, Dian Yu, Laurent El Shafey

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

Journal ref Proc. ICASSP 2024

Can Small Language Models Use What They Retrieve? An Empirical Study of Retrieval Utilization Across Model Scale

小型语言模型能利用它们检索到的信息吗？不同模型规模下的检索利用经验研究

Sanchit Pandey

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

AI总结 研究发现小型语言模型在检索信息时存在利用瓶颈，无法有效提取答案，且上下文干扰导致错误生成，表明RAG在小模型中效果有限。

Comments 10 pages, 5 figures, planning to submit to arr march 2026. Code and evaluation data: https://anonymous.4open.science/r/rag-utilization-study-C67F . Earlier draft preprint available on Zenodo: https://zenodo.org/records/18870116 (note: this arXiv submission is an updated draft)

M$^3$Prune: Hierarchical Collaborative Pruning for Efficient Multi-Modal Multi-Agent Retrieval-Augmented Generation

M³Prune：面向高效多模态多智能体检索增强生成的分层协同剪枝

Taolin Zhang, Weizi shao, Zijie Zhou, Chen Chen, Daiyang Yu, Tingyuan Hu, Chengyu Wang, Xiaofeng He

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

AI总结 M³Prune是优化多模态多智能体检索增强生成的分层协同剪枝框架，通过剪枝冗余通信边提升性能与token效率，实验中优于单智能体及多智能体基准系统。

Comments Accepted by ACM MM2026

OptGraph: Large Language Models Enhanced Evolutionary Optimization Via Graph Retrieval-Augmented Generation

OptGraph：基于图检索增强生成的大语言模型增强进化优化

Xianchao Xiu, Jianhao Li, Huangyue Chen, Wanquan Liu

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

AI总结 针对现有LLM自动化进化优化的局限，提出引入GraphRAG的OptGraph工作流，通过类型化图复用经验等方法，在基准数据集上较现有框架平均精确准确率提升8.9%。

A Human-Centric Evaluation of a Retrieval-Augmented Generation System for Explaining Quebec Insurance Contracts

以用户为中心对用于解释魁北克保险合同的检索增强生成系统的评估

David Beauchemin, Richard Khoury

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

AI总结 研究针对在线保险销售中消费者面临的‘建议差距’问题，对用于解释魁北克汽车保险合同的检索增强生成系统进行以用户为中心的评估，通过用户研究得出系统被视为‘认知均衡器’，但也有局限性，凸显人在回路框架在高风险消费金融中实施AI的重要性。

Comments Accepter to HCII 2026

RoTRAG: Rule of Thumb Reasoning for Conversation Harm Detection with Retrieval-Augmented Generation

RoTRAG: 基于经验法则推理的检索增强生成对话有害内容检测

Juhyeon Lee, Wonduk Seo, Junseo Koh, Seunghyun Lee, Haihua Chen, Yi Bu

机构 * Peking University（北京大学） ； Enhans ； University of North Texas（北得克萨斯大学） 纠错

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

AI总结 提出RoTRAG框架，通过检索外部道德规范（RoTs）增强LLM的多轮对话有害内容检测，实现基于规范推理和分类，平均F1提升约40%，分布误差降低8.4%。

Comments Accepted by SIGIR-ICTIR 2026, Oral Presentation

Journal ref Proceedings of the 2026 International ACM SIGIR Conference on Innovative Concepts and Theories in Information Retrieval (ICTIR '26), July 25, 2026, Melbourne, VIC, Australia. ACM, New York, NY, USA, 12 pages

CogniVerse: Revolutionizing Multi-Modal Retrieval-Augmented Generation with Cognitive Reflection and Geometric Reasoning

CogniVerse: 用认知反思与几何推理革新多模态检索增强生成

Xiang Fang, Wanlong Fang, Changshuo Wang

机构 * School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件学院） ； Nanyang Technological University, Singapore（新加坡南洋理工大学） ； University College London（伦敦大学学院） 纠错

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

AI总结 提出CogniVerse框架，通过认知反思模块、基于黎曼流形对齐的多模态检索模块和最优传输层次生成模块，解决多模态检索增强生成中的噪声检索、跨模态语义错位和生成不连贯问题。

Comments Accepted in CVPR 2026

HPC-LLM: Practical Domain Adaptation and Retrieval-Augmented Generation for HPC Support

HPC-LLM: 实用领域适应与检索增强生成用于HPC支持

Nourin Shahin, Izzat Alsmadi

机构 * Texas A&M University（德克萨斯大学） 纠错

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

AI总结 本文提出HPC-LLM，通过检索增强和领域适应支持HPC工作流，利用QLoRA实现轻量级领域适应，实验表明其在低资源下性能接近大模型。

Building Specialized Software-Assistant ChatBot with Graph-Based Retrieval-Augmented Generation

构建基于图的检索增强生成专用软件助手聊天机器人

Mohammed Hilel, Yannis Karmim, Jean De Bodinat, Reda Sarehane, Antoine Gillon

机构 * RAKAM AI ； Lemon Learning 纠错

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

AI总结 本文提出基于图的检索增强生成框架，将企业Web应用转换为状态-动作知识图，使LLM生成基于上下文的可靠帮助，通过与RAKAM和Lemon Learning的合作，展示了工程流程、图检索设计及生产DAP工作流整合。

Comments Accepted at ICMLC 2026

GitBugs: Bug Reports for Duplicate Detection, Retrieval Augmented Generation, Triage, and More

GitBugs: 用于重复检测、检索增强生成、分拣等的bug报告

Avinash Patil, Siru Tao, Aryan Jadon

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

AI总结 GitBugs包含15万余条bug报告，提供标准化分类字段和预定义训练测试集，支持重复检测、检索增强生成、自动分拣等软件工程研究任务。

Comments 3 Tables, 9 Figures

Training-free retrieval-augmented generation with reinforced reasoning for flood damage nowcasting

无需训练的检索增强生成与强化推理用于洪水损害现在预测

Lipai Huang, Kai Yin, Chia-Fu Liu, Ali Mostafavi

机构 * Urban Resilience.AI Lab, Zachry Department of Civil and Environmental Engineering（城市韧性.AI实验室，土木与环境工程系） ； Department of Computer Science and Engineering（计算机科学与工程系） ； Department of Civil, Environmental and Architectural Engineering（土木、环境与建筑工程系） ； Institute for a Disaster Resilient Texas（德克萨斯灾害韧性研究所） 纠错

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

AI总结 本文提出R2RAG-Flood框架，通过强化推理实现无需训练的洪水损害现在预测，利用结构化预测器、文本摘要和推理轨迹构建知识库，在推理阶段通过地理邻近和自由样本支持案例推理，提升预测准确性与成本效率。

Comments 18 pages, 3 figures, 8 tables, submitted to CACAIE journal

SCPatcher: Automated Smart Contract Code Repair via Retrieval-Augmented Generation and Knowledge Graph

SCPatcher：通过检索增强生成与知识图谱实现智能合约代码自动修复

Xiaoqi Li, Shipeng Ye, Wenkai Li, Zongwei Li

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

AI总结 本文提出SCPatcher框架，结合检索增强生成与知识图谱实现智能合约漏洞自动修复，通过构建5000个验证过的以太坊合约知识图谱，提升大语言模型推理能力，实现高修复率和编译通过率。

Comments 6 pages, 3 figures

Knowledge-Guided Retrieval-Augmented Generation for Zero-Shot Psychiatric Data: Privacy Preserving Synthetic Data Generation

基于知识的检索增强生成用于零样本心理数据：隐私保护的合成数据生成

Adam Jakobsen, Sushant Gautam, Hugo Lewi Hammer, Susanne Olofsdotter, Miriam S Johanson, Pål Halvorsen, Vajira Thambawita

机构 * SimulaMet ； Oslo Metropolitan University（奥斯陆城市大学） ； Uppsala University（乌普萨拉大学） 纠错

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

AI总结 本文提出一种零样本知识引导框架，利用检索增强生成技术生成隐私保护的合成心理数据，通过对比CTGAN和TVAE模型，证明临床知识增强LLM在生成高质量、隐私保护的合成数据方面具有优势。

Comments Submitted to CBMS 2026

RobustVisRAG: Causality-Aware Vision-Based Retrieval-Augmented Generation under Visual Degradations

RobustVisRAG: 基于因果性的视觉增强检索增强生成方法在视觉退化下的鲁棒性

I-Hsiang Chen, Yu-Wei Liu, Tse-Yu Wu, Yu-Chien Chiang, Jen-Chien Yang, Wei-Ting Chen

机构 * National Taiwan University（国立台湾大学） ； Microsoft（微软） 纠错

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

AI总结 本文提出RobustVisRAG，通过双路径框架分离语义与退化因素，提升在视觉退化下的检索生成性能，实验显示在真实退化条件下性能提升显著。

Comments Accepted by CVPR2026; Project Page: https://robustvisrag.github.io

Evo-Retriever: LLM-Guided Curriculum Evolution with Viewpoint-Pathway Collaboration for Multimodal Document Retrieval

Evo-Retriever：基于观点-路径协作的LLM引导课程进化多模态文档检索框架

Weiqing Li, Jinyue Guo, Yaqi Wang, Haiyang Xiao, Yuewei Zhang, Guohua Liu, Hao Henry Wang

机构 * Alibaba Cloud Computing（阿里巴巴云计算） 纠错

专题命中 检索器与排序 ：retriever(title,abstract)

AI总结 本文提出Evo-Retriever框架，通过LLM引导的课程进化和观点-路径协作提升多模态文档检索性能，实现在ViDoRe V2和MMEB数据集上达到SOTA水平。

Comments Accepted by CVPR2026

WebFAQ 2.0: A Multilingual QA Dataset with Mined Hard Negatives for Dense Retrieval

WebFAQ 2.0: 一个多语言问答数据集，包含挖掘的硬负样本用于密集检索

Michael Dinzinger, Laura Caspari, Ali Salman, Irvin Topi, Jelena Mitrović, Michael Granitzer

机构 * University of Passau（帕绍大学） ； University of Passau, and IT:U Austria（帕绍大学和IT:U奥地利） 纠错

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

AI总结 WebFAQ 2.0是一个多语言问答数据集，包含挖掘的硬负样本，用于训练密集检索器，支持多语言和跨语言信息检索研究。

Explainable Interictal Epileptiform Discharge Detection Method Based on Scalp EEG and Retrieval-Augmented Generation

基于头皮 EEG 和检索增强生成的可解释性癫痫发作前放电检测方法

Yu Zhu, Jiayang Guo, Jun Jiang, Peipei Gu, Xin Shu, Duo Chen

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

AI总结 本文提出了一种基于头皮 EEG 和检索增强生成的可解释性癫痫发作前放电检测方法，通过双编码器和对比学习提升诊断性能和临床可解释性。

GraphRAG-R1: Graph Retrieval-Augmented Generation with Process-Constrained Reinforcement Learning

GraphRAG-R1: 基于过程约束强化学习的图检索增强生成

Chuanyue Yu, Kuo Zhao, Yuhan Li, Heng Chang, Mingjian Feng, Xiangzhe Jiang, Yufei Sun, Jia Li, Yuzhi Zhang, Jianxin Li, Ziwei Zhang

机构 * Nankai University（南开大学） ； Huawei Technologies Ltd（华为技术有限公司） ； Beihang University（北航） 纠错

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

AI总结 GraphRAG-R1通过过程约束强化学习提升LLM多跳推理能力，结合改进的GRPO方法和两种新型奖励函数，有效解决复杂问题。

Comments Accepted by the Web Conference 2026

QualiRAG: Retrieval-Augmented Generation for Visual Quality Understanding

QualiRAG：用于视觉质量理解的检索增强生成

Linhan Cao, Wei Sun, Weixia Zhang, Xiangyang Zhu, Kaiwei Zhang, Jun Jia, Dandan Zhu, Guangtao Zhai, Xiongkuo Min

机构 * Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； 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 ：retrieval-augmented generation(title)；RAG(abstract)

AI总结 QualiRAG通过检索增强生成框架，利用大模型的潜在感知知识，实现无需训练的视觉质量理解与比较。

LLM2IR: simple unsupervised contrastive learning makes long-context LLM great retriever

LLM2IR: 简单的无监督对比学习使长上下文LLM成为强大的检索器

Xiaocong Yang

机构 * Computer Science（计算机科学） 纠错

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

AI总结 LLM2IR通过简单无监督对比学习将长上下文LLM转化为高效检索器，验证了上下文长度与检索能力的关系。

Comments MS Thesis

GestureHYDRA: Semantic Co-speech Gesture Synthesis via Hybrid Modality Diffusion Transformer and Cascaded-Synchronized Retrieval-Augmented Generation

GestureHYDRA: 通过混合模态扩散变换器和级联同步检索增强生成进行语义同步手势合成

Quanwei Yang, Luying Huang, Kaisiyuan Wang, Jiazhi Guan, Shengyi He, Fengguo Li, Hang Zhou, Lingyun Yu, Yingying Li, Haocheng Feng, Hongtao Xie

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

AI总结 GestureHYDRA通过混合模态扩散变换器和级联同步检索增强生成技术，实现具有明确语义的手势合成，提升手势生成的准确性和效率。

Comments 10 pages, 5 figures, Accepted by ICCV 2025