RAG 第3页

DoPE: Denoising Rotary Position Embedding

LLM长文本“失效”有救了！DoPE：免训练为RoPE降噪，解锁64K超长上下文。本文系统梳理其研究背景、核心方法、关键实验结果、现有局限以及后续工程实践启示。

Retrieval Augmented Generation (RAG) for Fintech: Agentic Design and Evaluation

本文提出了一种专为金融科技（Fintech）领域设计的智能体化检索增强生成（Agentic Retrieval-Augmented Generation, A-RAG）架构，通过一个由专业智能体组成的模块化、迭代式流水线，有效解决了领域内术语密集、缩写混杂和知识碎片化等挑战，显著提升了检索精度...

LLM-guided Hierarchical Retrieval

本文提出了一种名为 LATTICE 的LLM引导分层检索框架，通过将海量文档组织成语义树，并让大型语言模型（LLM）基于创新的校准路径相关性得分进行推理和导航，从而以对数级的搜索复杂度高效解决复杂的推理密集型查询。

Less LLM, More Documents: Searching for Improved RAG

本文通过系统性实验证明，在检索增强生成（Retrieval-Augmented Generation, RAG）系统中，扩大检索语料库的规模可以作为一种有效的替代方案来弥补使用较小语言模型（LLM）所带来的性能差距，为构建更高效、更易于部署的RAG系统提供了新的权衡思路。

Improving Context Fidelity via Native Retrieval-Augmented Reasoning

本文提出了一种名为CARE的新型原生检索增强推理框架，通过教导大型语言模型（LLM）在推理链中动态地从输入上下文中检索并整合证据，以解决上下文失真问题，从而在无需昂贵外部工具的情况下显著提升答案的准确性和忠实度。

RAGs to Riches: RAG-like Few-shot Learning for Large Language Model Role-playing

本文提出了一种名为 RAGs-to-Riches 的新颖提示框架，它将大语言模型（LLM）的角色扮演问题重构为一个类似检索增强生成（RAG）的文本检索任务，通过使用精心策划的、源于训练数据之外的参考范例，显著增强了模型在面对敌对用户时保持角色一致性的能力。

On the Theoretical Limitations of Embedding-Based Retrieval

本文通过连接学习理论与嵌入式检索，从理论和实证上证明了单向量嵌入模型因其维度限制，无法表示所有可能的相关文档组合，并构建了一个名为LIMIT的简单数据集，揭示了即使是当前最先进的模型也存在这一根本局限性。

ImageBind: One Embedding Space To Bind Them All

本文提出 ImageBind，一种仅通过将图像与其他多种模态（文本、音频、深度、热成像、IMU）的数据进行配对，就能学习到一个统一的多模态联合嵌入空间，并由此涌现出跨模态对齐与组合等新能力的方法。

Retrieval-Augmented Generation for Large Language Models: A Survey

本文系统性地综述了大型语言模型（LLM）的检索增强生成（Retrieval-Augmented Generation，RAG）技术，将其发展划分为朴素（Naive）、高级（Advanced）和模块化（Modular）三个范式，并深入剖析了检索、生成与增强这三大核心组件的前沿技术、评估体系及未来挑战。