标签
TRACE是一个无需训练的智能体检索框架，专为历史数字档案中的可问责来源发现而设计，在基准测试中以每问题低成本优于RAG基线。
本文评估了检索主导的抽取式问答中的内在序列似然置信度，发现置信度信号不足以用于模型控制，且仅检索在预设标准下就能达到高准确率。
TrioRAG是一个无图谱的多模态RAG框架，使用多信号晚期融合来实现高效的跨文档问答，性能匹配或超越基于图谱的系统。此外，它引入了AutoQA，一个基于网络图像的汽车基准测试。
本文对知识图谱增强和检索增强生成在文化特定问答中的表现进行了基准测试，使用LatamQA数据集展示了在拉丁美洲文化数据上的显著错误减少。
这篇立场论文主张，法律大语言模型的幻觉应被视为法律依据的缺失而非事实性错误，并提出一个新的基准框架来评估法律人工智能系统。
本文提出一种三元度量路由器，这是一种确定性框架，用于推理管道之间的自适应路由，以解决商品GPU上长上下文RAG中的压缩悖论，实现零OOM故障并提升性能。
ORDER 引入了一个框架，该框架根据查询动态调整 RAG 系统中的索引和检索策略，从而在专家领域提升性能。
本文提出了一种用于检索增强生成（RAG）管道的查询感知分流层，以处理源与查询之间的实质性关系，通过在合成数据上评估的评分和路由方法来定义风险覆盖目标。
本文评估了开源权重RAG-LLM系统AquiLLM在天文学科学研究中的忠实度，显示其在检索任务上表现优异，但在综合方面存在挑战。
本文提出CLEAR，一种用于跨源证据裁决的代理框架，旨在通过处理来自多个知识源的冲突来提升医学领域大语言模型的性能。该框架在多个基准测试中表现出竞争力，在直接推理或检索能力较弱的场景中取得了显著提升。
RAG-CT是一种新颖的防御方法，通过分析熵和边缘分布来识别恶意查询，从而缓解检索增强生成系统的隐私风险，显著减少PII泄露。
本文形式化了可变RAG中的语义遮蔽，并引入了GC-Mem，一种基于时间优势的协议，用于解决冲突并恢复超过90%的准确性。
本文提出了一种使用大语言模型的检索增强生成框架，从事故叙述中推荐安全对策，在现实世界数据评估中实现了高精度和召回率。
ClinAgent是一个基于ReAct的代理系统，利用代理式检索增强生成（RAG）来实现对临床试验信息的自然语言查询，并在多个大语言模型（LLM）后端进行了评估，显示出互补的优势。
本文研究了检索增强生成中上下文压缩与引用归因之间的权衡，评估了多种压缩方法，并揭示了答案质量与归因准确性之间的显著差距。
本文介绍了ShopEase，这是一个基于生成式AI的多智能体框架，用于企业客户支持，采用混合检索增强生成。研究评估了检索配置，发现使用FAISS的稠密检索实现了最佳准确率。
本文介绍了 Atomic User Model (AUM)，一种用于组织用户性格的结构化表示，以增强大型语言模型交互，展示了在模拟中改进的个性化和上下文效率。
本文研究检索信号在自适应多模态RAG系统中是否提供超越查询的额外路由价值，得出结论：它们并不能一致地改善决策。
CoG 是一种认知启发的免训练框架，适用于检索增强生成中的自适应知识探索，通过计划-探索-反思循环与双向图-文本协同，在多跳问答基准测试上实现了最先进的性能。
本文介绍EAR，一种用于多项选择题问答的检索增强生成中的实体感知分区方法，它从问题和语料库中提取锚点，以检索紧凑窗口而非固定大小的块。