标签
本文表明，在对话式 RAG 基准测试中，使用不完整的相关性标注作为评估拒答的捷径，会系统性地扭曲评估结果：更强的检索器会产生更多仍包含答案的“虚假漏检”上下文，导致可回答性 AUROC 被严重低估。作者公开了代码、运行结果和标注，并建议依据基于内容的标注来评估拒答，而非依据标准答案文档是否出现。
IBM研究人员提出了STAIR，一种利用文档目录进行结构化检索的检索器，在SearchTome基准上达到82.6%的top-1章节准确率，无效章节引用比微调DSI基线少65倍。
洛斯阿拉莫斯国家实验室和 NVIDIA 的研究人员提出了一项由专家精心编制、包含 250 道惯性约束聚变问题的基准测试，用于评估大语言模型的科学知识运用能力、物理推理能力和定量分析能力。他们将前沿开源和闭源模型与领域专用模型 Prospero 进行比较，发现专业化训练能够提高得分，但关键的物理学错误仍然存在，并建议在投入进一步的专业化训练之前，先评估现有能力以及检索带来的收益。
DeFT-RAG 提出了一种 RAG 框架，将多跳问题分解为自包含的子问题，并缓存可复用的答案，把推理工作交给基于规则的更新和一个轻量级决策模型。它在 MuSiQue、2WikiMultiHopQA 和 HotpotQA 上的准确率优于十三个基线方法，同时减少了 LLM 调用次数。
Glance 使用轻量级决策适配器和指针头，将重排序与生成整合到单个 9B 参数的骨干模型中，通过共享的预填充过程对段落进行评分，在降低内存开销的同时，在 MS MARCO 基准测试和 HotpotQA 答案 F1 分数上超越了 bge-reranker-v2-m3 和交叉编码器。
一份由研究者精选的入门必读论文清单，共 3 篇：Search-R1 打基础，Agent Lightning v1.0 了解实践前沿，以及一篇综述纵览 LLM 的 agentic RL 全景。帖子附有 Search-R1 论文链接，该论文训练 LLM 在逐步推理过程中自主生成搜索查询并结合实时检索。
该论文提出知识冲突的解决不应依赖固定的启发式规则，而应引入对上下文可靠性的事先概率先验；在 GRACE 与 ClashEval 基准上，基于先验偏移的双声部选择器在各种上下文混合比例下显著优于现有基线。
该论文提出了 TaLenT，这是一个基于大语言模型的端到端检索器-生成器框架，用于文本图问答。该框架通过加权伪标签损失，将标准答案信号用作检索器的监督信息，以提升在三个 GraphQA 数据集上的证据覆盖率和紧凑性。
提出 MARCA 四智能体框架，利用 Gemini 2.5 Pro 和 DeepSeek-V3.2 结合检索增强生成（RAG）对 FAERS 个体案例安全报告进行基于 Naranjo 量表的因果关系评估，最终因果分类与人类专家的一致率达 79.4%（κ=0.587）。
该论文提出 Parametric Session State (PSS)，一种将长对话交互编译为固定形状的 LoRA 会话记忆层，使 RAG 系统在无需重放历史的情况下恢复未明确表述的查询中的检索意图，并在受控与公开评测中验证其跨模型与检索后端的有效性。
GEMS-RAG 是一个面向工程标准文档的图驱动多模态检索增强生成框架，通过层级解析、视觉实体抽取、多模态知识图谱构建与图驱动混合检索，在 MUTCD 数据集上相较文本、多模态和图基 RAG 基线提升了检索与问答效果。
提出银标准证据示例方法，用生成的、以目标为条件的证据摘要替换上下文学习（ICL）示例中的原始检索段落，以减少噪声检索带来的干扰。该方法在 EI 2.0、SciFact、合成策略检索和 HICRIC/IMR 数据集上优于仅使用金标准的 ICL 和 InstructRAG 式 ICL，并在所有标注数据集上提升了证据 F1 分数。
本文分析了通过 ISO 11783 CAN 总线实现操作手册语义同步的方法，以便在农业机械上提供离线、多语言的大语言模型辅助，并对 Markdown、JSON 和 XML 格式的传输进行基准测试，同时评估采用检索增强生成技术的开放权重大语言模型在多种语言中的表现。
论文提出 Compositional Concept Unlearning（C2U，组合式概念遗忘）方法，在固定编码器与文档索引的 RAG 系统中，通过查询侧表示编辑来抑制对不需要概念的检索，并在五个数据集和四个编码器上验证了该方法能够在不损害对照查询效用的情况下降低目标概念的检索暴露。
本文比较了面向长文档 RAG 的 11 种检索配置，包括词法检索、稠密检索、混合重排序和全文档扫描，并在 QASPER 和教科书问题上评估了证据覆盖率、答案质量和成本，发现混合方法通常优于全文档扫描。
论文提出联合约束聚合（JCA）方法，通过将问题要求表示为共享约束并逐一核对候选答案，缓解检索偏向导致的限定词敏感问答失败，在三种评测设置和多个指令微调模型上提升准确率。
本文提出了基于证据的生成（EBG）方法，结合Ans+Evid联合指标以及改进的基准（MultiHop-RAG、QASPER-MP），表明基于相似度的分块检索——而非阅读能力——才是前沿模型与开放权重LLM在长上下文多跳问答中的关键瓶颈。
AutoTerm-SST 是一个交互式流式语音翻译系统，通过自适应术语记忆与话题切片路由，实现零会话设置的术语感知翻译；无需用户上传术语表或选择领域，即可在术语准确率与 BLEU 指标上匹配已知领域的基线表现。
提出 Self-Assessment 强化学习框架（SARL），让检索增强的 LLM 搜索智能体在训练中学会感知自身搜索状态、识别缺失信息，从而提升搜索效率而无需额外推理时评估，在多跳推理与深度研究基准上取得显著相对提升。
论文提出开源 RAG 受控评测框架 LASAGNA，在八个基准和 5K-200K 文档语料上测试 450 种配置，发现单独有效的 RAG 技术组合后收益大幅缩水（预期 +47% 仅得 +17%），检索质量与答案忠实度的设计取舍互相冲突，且最优组合随语料规模变化。