AI 智能体代码库 RAG 与 grep 的对比:相同的 grep 命中得分 10、30 或 34/40
针对 AI 智能体在代码库中检索信息,对比 RAG 与 grep 方法的效果。 相同的 grep 命中经 RAG 处理后,最终得分分别为 10、30 或 34(满分 40)。 该数据直观展示了检索策略对智能体任务表现的显著影响。
针对 AI 智能体在代码库中检索信息,对比 RAG 与 grep 方法的效果。 相同的 grep 命中经 RAG 处理后,最终得分分别为 10、30 或 34(满分 40)。 该数据直观展示了检索策略对智能体任务表现的显著影响。
Self-EvolveRec 提出自进化框架,整合用户模拟器与模型诊断工具建立定向反馈循环。 该框架引入诊断工具与模型共进化策略,使评估标准随推荐架构动态适应。 实验显示其在推荐性能与用户满意度上显著优于最先进 NAS 基线,代码已开源。
该综述针对数据智能体术语混乱的问题,提出首个六级层级分类法,将自主性从手动操作(L0)划分为生成式完全自主(L5)。 借鉴SAE J3016驾驶自动化标准,按自主性递增梳理数据管理、准备与分析研究,重点解析L2至L3从程序化执行向自主编排的技术鸿沟。 该框架明确了能力边界与责任分配,为构建前瞻性生成式数据智能体提供了路线图,并附带代码库。
MultiSearch 提出了一种基于强化学习(RL)的框架,通过多查询并行检索和显式信息合并,解决了单查询检索中信息覆盖不足和噪声高的问题。 该框架在每个推理步骤生成多视角查询,并行获取外部信息以提升信噪比(SNR),并设计了多进程奖励机制优化检索与整合。 在七个基准测试中,MultiSearch 优于基线方法,提升了检索信噪比及问答任务的推理准确性。
GAAMA通过以话题为中心组织对话,结合LLM提炼事实与概念,在LoCoMo10基准上取得79.1%最高平均分,且GRAFT机制能离线修复检索不足。 该方法定义了四种节点类型与五种结构边,利用话题概念提供跨切路径避免超大节点;检索融合最近邻相似度搜索与基于边类型的个性化PageRank。 概念链接事实比实体关系三元组提升3.0个百分点奖励,GRAFT将接地答案记录为新事实,使后续查询直接命中。
研究团队提出ESGAgent分层多智能体系统及基于310份报告的综合基准测试。 该智能体结合检索增强与网页搜索工具,在原子问答任务上达到84.15%的平均准确率。 此基准测试为评估高利害垂直领域的智能体能力提供了关键测试平台。
在 Amazon Books 和 MovieTV 数据集上,LLM 排序器对协同证据的分配敏感,用户级证据互换会降低排序性能,而无关文本使 Hit@1 从 44.77% 降至 38.70%。
CapCover Filter 是一种利用球面帽几何结构总结嵌入向量的数据,可支持任意相似度阈值且无假阴性。 在五个真实数据集上,余弦相似度阈值为 0.95 时,该方法消除约 20%-100% 的索引访问,内存占用仅为 FP32 的 2%。 部署在 FAISS 平面索引前,查询吞吐量最高提升 382%,平均提升约 116%,且结果范围一致。
研究提出 LightAlign 方法,利用少量成对数据实现冻结编码器间的跨模态对齐。在 3D CT 任务中,LightAlign 以 200 个数据对超越 CT-CLIP(0.754 vs 0.733 AUROC),并在 CheXpert 上以约 5% 的数据量达到 0.862 AUROC,显著降低医疗影像分析对标注数据的依赖。
提出跨域离线强化学习方法 RIFT,通过共享隐空间编码源/目标转移对,利用最优传输配对低高奖励源转移并拟合仿射场,以扩充目标数据集。 实验在受重力、形态学和摩擦力变化的密集奖励运动任务上,显示 RIFT 相比现有基线提升整体性能。
SMELL 框架在 16K 上下文长度下,将峰值内存消耗较传统微调降低 88.35%,较 forward-only LoRA 微调降低 13.25%。 该框架集成 LSFA、CASC 和 CPUR 机制,实现内存高效的本地适配、异构感知稀疏协调及轻量级更新传输,在 OPT-350M 和 LLaMA2-7B 实验中验证了其在非 IID 设置下的性能提升。
该研究提出自动化SFT数据引擎LogT,通过强制逻辑链引导生成高质量训练数据,解决视觉搜索中逻辑推理与工具使用挑战。 在Qwen2.5-VL-7B和InternVL3.5-8B上验证,LogT-SFT仅用3.1倍更少的数据和120倍以上更少的GPU小时,超越SFT和RL训练的SOTA模型。 应用简单RL配方后,模型性能比复杂RL设置方法高出9.59分,并展现出更高工具使用准确性与结构化推理轨迹。
Qwen2.5 在药物文献中展现适应症与禁忌症的记录不对称(LABEL),574 种药物中适应症提及频率约为禁忌症的 2.19 倍。 Qwen2.5 从 0.5B 扩容至 14B 时,适应症准确率提升 18.3 个百分点,而禁忌症准确率接近随机猜测;提供检索片段或路由至 FDA 标签可显著改善安全性问答效果。
RSIMed-27B 在罕见病诊断中准确率随计算量线性增长,无外部模型辅助下达到 0.516 诊断准确率。 优于 GPT-5.6 最佳设置的 0.399,且推理成本仅为后者的 1/38;自生成任务训练效果优于 GPT-5.5 等外部教师生成的任务。
提出免训练预算感知自适应-k检索方法ViSAR,在给定页面预算内动态确定检索数量。 ViSAR直接在嵌入空间构建查询条件化相似度矩阵,最多降低端到端RAG延迟58.9%,且无显著精度损失。 相似度矩阵结构与答案精度相关,为检索质量感知的文档理解提供未来方向。
研究显示,在固定检索流程中,使用逐字对话文本块比LLM提取的结构化工件更准确。 在LoCoMo数据集上逐字块得分为43.9%,而工件提取仅为28.0%;在LongMemEval-S上分别为67.4%和45.4%。 语义图未能弥补差距,有损蒸馏机制是核心问题,结构化记忆应作为逐字文本的补充而非替代。
该研究提出Revela,一个用于自监督检索器学习的可扩展训练框架。它通过在批内注意机制中引入检索器相似度加权的上下文,将检索建模为token块间的依赖关系学习。
summary_zh: Hi-Q 框架通过层级化查询优化解决多跳问答中问题与证据粒度不匹配问题,在三个基准上平均取得 52.3 EM 和 64.0 F1。 该框架依据语料库支持信号动态生成查询树,无需固定图结构;在 MuSiQue-full 测试中领先 RAG 基线 11.5 EM。
研究团队发布943个训练样本及736个测试基准,利用CATS框架评估大语言模型在文档冲突下的信任决策与推理能力。 微调模型生成的思维轨迹显著提升表现,拒答F1得分从0.429提高至0.826,事实依据得分在40词提示下达到0.86至0.88。
研究提出基于 RAG 的反驳语生成管线,利用联合国等权威人权知识库覆盖八类受歧视群体。该管线在事实基础、多样性和感知效用上优于无 RAG 基线。人类评估显示 RAG 缩小了内外部群体对反驳语效的感知差异。
16对嵌入模型及NQ数据集实验证实,重用旧索引策略无法避免语料重编码,仅改变重编码支付时间。 同族LLM桥接适配器微弱优于旧模型,窗口重排成本可通过旧索引精确预测。 基于884万余条语料的预注册回放确认预测,为迁移策略选择与窗口深度设定提供量化依据。
GaugeRoPE 提出了一种无需训练的潜在 KV 缓存压缩方法,在 Mistral-7B 上实现 5.85 倍压缩,解码吞吐量提升 2.48 倍。 该方法通过 RoPE 兼容载波与位置无关残差 KV 修正,避免逐 token 历史 K/V 重建,支持 MHA 和 GQA 架构。
论文提出 AdaMenu,通过检索构建紧凑候选菜单并单次调用决策模型,解决大标签空间下的分类与扩展难题。 在四个最大含 1,016 标签的数据集上,AdaMenu 相比 TypeSafe 基线在全部 16 组运行对中的准确率提升 16.6-34.3 个百分点,输入 token 用量降低 3.2-22.9 倍。 该方法在层级基线不可用的限制场景下仍可运行,显著提升了大标签分类的效率与可用性。
SERAG 是一种监督式异常检测器,结合独立编码的语义分数与图卷积网络的关系分数。 在 ICEWS18 子集上,10% 异常率时测试 AUPRC 达 0.321,显著优于基线的 0.159。 结果表明文本与关系信号的互补性有效检测了 LLM 生成的合成异常。
研究利用稀疏自编码器与PERC框架,分析36,081条LinkedIn早期职业招聘启事。 采用GPT-6 Luna分类文本,提取Llama-3.1-8B-Instruct层19特征,揭示不同技术角色的语义差异。 表明自动化洞察提取可有效支持对非结构化职位描述的人工分析。
summary_zh: Jetriever利用Jev决策得分评估存储记忆对当前问题的效用,以全池效用评分取代相似度搜索。在InMind的125个间接查询任务中,该方法将金标准对话排首位的比例达84.8%。
该研究提出 MemDoctor,将多模态记忆形式化为 Write、Update、Retrieve、Answer 四个阶段,并定义 9 种错误类型。 在 4B 规模模型上,MemDoctor 通过回溯定位并修复源头错误,在 Mem-Gallery 和 MemLens 上的准确率均优于所有 8B 基线,同时也提升了 MuRAG 和 A-Mem 的表现。
团队提出Living Context Graph(LCG)持续学习上下文层,在BIRD数据库text-to-SQL任务上将准确率提升22.6个百分点。 LCG无需复制底层数据仓库,通过自举语义和概念图索引业务上下文,增量学习性能接近单次学习终点。 该技术已被NeurIPS 2026 Workshop接收,显著提升了企业数据推理效率。
研究者提出 CLAM 框架,利用循环超网络在前向传播中整合会话激活,无需梯度步骤或生成调用。在 2-7B 开放模型上,CLAM 性能超越所有 Agent 基线 1-45 分,且构建记忆耗时比提取系统少 3-151 倍。
研究测试了类型化决策模型 Jev 在 24 篇 ACL 会议论文中的表现。 Jev 零样本直接替代了 46 个测试集里的 12 个,加 500 标签的提示优化中位数弥合 72% 差距,成本每搜索 $1.66。 相比微调 RoBERTa、DeBERTa 或 Qwen3.8-27B,零样本在简单标签下常够用,微调仍最准。
该研究发布整合量化语言模型与本地知识库的离线 Android 母婴健康助手,在 6GB 手机上实现 14.3s 中位延迟。对比显示 Gemma 4 E2B 响应质量更高,150 条响应均分 3.80/4;Qwen3.5 0.8B 生成更快且内存占用更低。
研究者发布AfriBizClaims基准,包含六个非洲市场150条公司研究查询,涵盖英语、法语及葡萄牙语。 实验显示简单基线在虚构公司问题上拒绝率为100%且引用支持率98%,而多步智能体管道Konexium V1的查询精确度仅68%。 该研究表明增加步骤未提升证据接地效果,相关数据与标签将予以公开。
Bioformer-RetroMAE 基于 RetroMAE 对 Bioformer 进行持续预训练,参数量仅为 43M。 在 BioASQ Task 12B 检索测试中,其 MAP 较 PubMedBERT 提升 37.0%,Recall@100 提升 29.1%。 与 BM25 混合检索融合后,MAP 和 NDCG@10 分别较 BM25 单独检索提升 4.9% 和 4.6%。
研究人员适配仅在 1976-1995 年文本预训练的 NoLBERT 编码器,在不含 2023 年后数据的前提下识别财务电话会中管理层的真实回答,解决了传统模型评估中的后见之明偏差。
StaleBench 在 892 个真实更新事实中隔离陈旧检索失败,揭示检索指标可能反向评估记忆策略。 无日期展示时,保留策略与全保留对照组在首位返回相同陈述,但读者准确率分别相差 29.5 和 65.6 分;新增 Contamination@5 指标能正确区分策略优劣。 文章发布了数据、冻结评估器及参考基线,被 EACL 2027 Findings 接收。
GPBam 包含 81 个德国公法案例及 200 部法规背诵任务,用于联合评估法律检索与长文本生成。 在无检索条件下,32 个模型得分介于 4.81 至 76.42 分之间;引入检索后,最佳提升幅度为 4.1 分。 该基准已发表于 JURIX 2026 会议,旨在量化法律意见对检索质量的需求。
新工具 Q-Pain++ 通过固定临床内容并独立变异风险因素与剂量选项粒度进行 LLM 阿片类药物处方审计。在原本不变的病例中添加中间剂量选项,显著降低了大多数模型与专家标注剂量的匹配度。 通过检索引入围手术期指南可平均减少这种框架效应,但无法消除它,且单个模型的决策会因检索段落顺序改变而变化。研究代码及相关资源将在 GitHub 开源,14 页论文包含 6 图 6 表。
研究人员推出混合领域基准 CondRelBench,包含 3,000 个合成段落、200 篇 PubMed 论文和 695 条 Reddit 帖子,旨在评估大模型对条件受限关系的理解能力。
summary_zh: 该研究提出一种方法,利用公开在线健康论坛构建无偏见、注重隐私的医疗问答数据集,并采用主题引导语义建模(TGSM)实现自动化标注。 基于检索器-读者架构,研究通过微调 BioBERT 等模型提升性能,实验结果证明其显著优于现有基准,为构建高效医疗问答系统提供了可复制框架。
研究对比了 85 个真实照护者问题在四类回答者(同伴、医生、ChatGPT、CareGPT)中的响应差异。 使用 28 项指标分析发现,LLM 回答风格正式冗长,礼貌度高于同伴,信息量与医生相当,但缺乏叙事性。 研究建议采用结合 AI 结构化交付与人类独特优势的混合系统支持照护者。