Evidence-Gated 双语 RAG 提升消费者银行检索可靠性
提出 Evidence-Gated 双语 RAG 框架用于消费者银行检索,在 210 条阿拉伯语和英语查询上将 Top-1 命中率从 50.48% 提升至 79.05%,MRR@5 从 0.571 提升至 0.797。
提出 Evidence-Gated 双语 RAG 框架用于消费者银行检索,在 210 条阿拉伯语和英语查询上将 Top-1 命中率从 50.48% 提升至 79.05%,MRR@5 从 0.571 提升至 0.797。
研究显示,仅当检索证据能约束答案时,不确定性指标才能有效衡量 RAG 幻觉风险。证据缺失时模型依赖内部知识,导致不确定性度量失效。 在四个指令微调模型上测试发现,困惑度在检测不支持的编辑时 AUROC 达 0.81-0.91,而长度分类器接近随机水平。 结果支持将不确定性视为 RAG 幻觉风险的有条件度量工具,该研究已被 ICNLSP 2026 接收为口头报告。
SAG2 提出了一种无需离线嵌入计算的检索架构,仅依赖单个 SQLite 数据库和 BM25 词法索引。 在 MuSiQue、2WikiMultiHopQA 和 HotpotQA 的 1000 题子集上,SAG2 取得了 86.62%、97.43% 和 99.00% 的 Recall@10,索引 11,656 个段落耗时 2.36 秒。
该研究构建了迄今最大规模的带有序标注的视角主义 NLP 数据集,用于评估不同算法在预测多样化人类评分时的表现。 研究发现,算法在处理倾向于与他人保持一致的标注者时表现更好,但标注者的响应率与算法性能之间不存在具有统计学意义的正相关。
AuditKIT 是一个源代码可获取的评测库,将基准准确率、裁判评估、运行时性能等记录在统一结果表示中。它通过方向感知指标契约和配置指纹,解决接口差异和指标语义问题,支持智能体的工具调用匹配和检索增强生成的证据检查。该框架在七个案例研究中展示了不同指标选择如何改变评估结果。
GhostOS 发布了一款支持 macOS、Windows 和 Linux 的轻量级离线桌面 AI 助手,可在 4GB–8GB 内存设备上运行,峰值 VRAM 不超过 3.5GB。该工具集成了动态 VRAM 调度器、基于 SQLite FTS5 的零数据库 RAG 以及桌面宠物“Casper”,具备跨应用内联写作辅助、长期记忆库及终端命令安全防护功能,且完全本地运行,无需连接云端。
开发者推出 DocuMemory,一款为 AI 编码工具提供持久记忆和上下文管理的工具。 项目暂无公开技术细节或性能数据。
Past.dev 上线针对 AI 智能体的长期记忆 API,宣称在 BEAM 基准测试中于 100K 至 10M token 规模下均取得最高准确率,达到 92.08%。该服务支持通过 MCP 接入,相比重新读取完整历史,可减少 token 消耗并降低单次调用成本,提供 45 美元起的按量付费方案。
一项针对160,860条清洗后引用的大规模实证研究发现,在DeepSeek、Qwen、Doubao和Yuanbao等AI助手中,39.3%的展示链接从未在回答中被引用。研究还指出,跨网站重复提及对信息纳入影响远超单一网站权威度,且13.02%的最终答案中的实体无法在引用页面中找到,而在模糊提示下该比例升至27.5%。
用户因对话式 LLM 在深度研究中产生幻觉而弃用 ChatGPT,转而利用 Google NotebookLM 解析 70 多份技术论文。 NotebookLM 限制模型仅基于上传文档推理以消除幻觉,建议采用三层分类法结构化知识库。 该工作流在开源项目 Izy Notebook Understanding 中系统化,主笔记库可免费复制使用。
作者停用 ChatGPT,因其在处理 60 页 PDF 时易产生幻觉,转而使用 Google NotebookLM 管理 100 多篇技术论文。 NotebookLM 限制模型仅基于上传文档推理,消除外部噪声以大幅降低幻觉;采用包含 Canonica、Operational 和 Adversarial 三层分类体系优化信息检索。
Qdrant 在 11609 页面上测试了 Perplexity 的视觉文档嵌入,指出 1-bit TurboQuant 可将压缩向量从每页 856 KB 减少到 40 KB,同时保留 96.5% 的 float32 检索分数。对原始向量进行重打分后,该比例提升至 99.9%。需要注意的是,40 KB 的容量不含 Qdrant 仍保留的原始向量,且百万页规模数据仅为预测值。
企业级 AI 治理必须前置为架构核心,因 LLM 系统无法像 API 那样后期修补合规缺口。AI Gateway 作为策略执行层,实时检测并脱敏 PII,强制访问控制,解决 RAG 放大无序数据的问题。
数据层是 AI 落地的主要失败原因,而非模型能力。企业系统中存在大量语义不一致、命名冲突和数据陈旧问题,导致 AI 无法正确理解数据实体。即使使用最先进的模型(如 GPT-5、Claude 4),也无法自动推断从未明确捕获的数据含义。
AWS 基于 Amazon Bedrock AgentCore 构建了九阶段评估框架,将质量评估贯穿智能体从开发到生产的全生命周期。该框架定义了涵盖准确性、安全性、延迟和成本的五维指标体系,并通过持续评估循环,将质量问题的平均发现时间从数周缩短至 4 小时以内,确保了多智能体系统的生产可靠性。
开源项目 Busabase 发布了一个专为 AI Agent 设计的共享数据与工作台,支持 Claude Code、Codex、Cursor 等工具读写结构化记录、文档、技能和应用。其核心功能是通过变更请求机制管理写入,允许人工审核或自动合并,使不同 Agent 在共享同一持久化工作区时保持记录可追溯、可引用,并可通过 MCP 或 CLI 等方式接入本地或云端实例。
腾讯混元官方今日宣布推出智能体记忆框架 Hy Memory 2.0 版本,并开源专用模型、记忆框架和 MemHub 应用三层能力。该框架覆盖聊天、工作、代码三类记忆的存储、更新与进化,开发者可通过 SDK 将其接入 Agent。
QoderWake 推出个人分身功能,通过从用户主动选择的钉钉聊天、会议纪要和本地资料中学习,建立个人记忆并理解用户的表达习惯。该分身能在授权范围内帮助回复重复问题、检索过去讨论背景,并根据用户风格生成消息草稿。用户可随时查看、修改或删除记忆,并设定代答范围与隐私边界,确保分身在明确授权下运作。
SaraCoder 提出分层上下文修剪框架,在固定 token 预算下提升代码补全知识密度。在 CrossCodeEval 和 RepoEval-Updated 评测中,其代码级和标识符级指标优于 GraphCoder 和 Repocoder。
论文提出无训练方法 Rubric4Setwise,利用评价标准作为文档集选择信号,在长短文本场景均达到最优下游生成性能。 该系统还构建了包含约 28K 条评价标准的 SetwiseEvalKit 基准,发现 12 种重排序模型覆盖率最高仅 45%。 该结果验证了从评估到优化闭环的有效性。
AURA 提出直接监督中间推理状态并训练轻量级效用估算器,根据相关文档与困难干扰项的区分度动态调整推理深度。在 BRIGHT 基准测试中,AURA-4B 以 2.8 个推理步骤和 96 个生成 token 实现 34.7 的平均 nDCG@10,自适应停止将延迟从 4.6 秒降至 0.76 秒。该专化模型在 MS MARCO 上未显著降低常规领域内检索表现。
VELD-QA 是一个包含 15,000 个人工构建问答对与 5,859 份真实 PDF 的长文档视觉证据基准。 模型在视觉解释与推理上存在瓶颈,Oracle 设定下准确率仅达 81.7%。 利用视觉元素注释可缩小 17-24% 的性能差距,证明了数据增强的价值。
研究人员提出紧凑型长期记忆写入模型 Hy-Memory-30B-A3B,在四个评测框架中均排名第一。该模型在 20% 基准子样本上的宏平均分为 55.49%,优于 Claude Opus 5 的 54.62%。 模型通过 Mem0、MemOS 和 Hy-Memory 进行跨框架训练,采用 Memory RL 优化下游可回答性,并引入了 chunk 级 GRPO 等机制。
研究构建多领域问答基准 LURCH(6550 实例),证实固定长度下证据范围、分散度及推理深度与模型性能强负相关。 证据分散导致性能随长度增加急剧下降,而证据集中时保持稳定,且三项难度属性叠加会显著增加解题难度。
TEM 框架通过版本化记录与源序排列,实现免训练的时间状态跟踪。在 420 个测试问题上,关键实体命中率最高达 100.00%。 历史标签使整体命中率提升 17.14-55.95 个百分点,证据长度较 RAG 减少 48.75-56.73%。 在 1,540 个 LoCoMo 测试中,TEM 超越 RAG 基线 7.92 和 10.58 个百分点。
OpCredit 提出了一种操作感知的策略学习框架,用于解决智能体知识图谱问答中轨迹级奖励掩盖单个操作贡献的问题。 该框架结合分支结果信用(BOC)和前沿转移信用(FTC)两种互补信号共同监督训练,在 ComplexWebQuestions、WebQSP 和 GrailQA 基准上验证了一致的性能提升。
针对 14 个商用 LLM 部署在重复请求下均产生结果差异的问题,研究构建了涵盖 OCR、检索与推理的确定性流水线。该流水线在血糖仪和输液泵文档测试中,于同型号 GPU 及不同天数的重跑中实现了字节级一致的输出。OCR、嵌入及近似检索阶段若服务配置不固定会导致结果波动,推理引擎调度设置影响输出,因此需将这些参数纳入配置记录。
研究指出多跳 RAG 错误常因搜索漂移导致,新提出的无训练方法 ExecutionRAG 记录了未答子问题。 在 1,000 个 MuSiQue 问题上,使用 all-MiniLM-L6-v2 时未检索证据的错误答案从 382 降至 234,使用 Qwen3-Embedding-0.6B 时从 383 降至 274。 瓶颈从获取证据转向验证检索证据的充分性,早期解决和弃答增加抵消了部分改进效果。
MeddeX 系统结合 QLoRA 微调的 LLaMA-3 (8B) 与 RAG,利用 Gemini Vision 实现医疗报告证据回溯分析。 系统支持文本及扫描 PDF,集成纵向报告对比引擎,在 ROUGE-1 上较基线提升 9.2%。 该系统代表了向 AI 辅助临床决策支持迈进的实用一步。
半结构化知识库(SKB)检索面临文本语义与多跳关系兼顾的挑战。 GRASP 提出混合检索器,利用小模型生成图计划,并将图排序与文本排序融合,最后通过微调重排序器优化。 在 STaRK 基准测试中,该方法平均 Hit@1 相比最强基线提升 18.6 分,单查询耗时仅 2.47 秒。
针对检索记忆引发 LLM 智能体谄媚倾向的问题,研究团队提出 MemSyco-Bench 基准以评估记忆对推理决策的影响。 该基准覆盖五项任务,评估智能体拒绝记忆作为事实证据、尊重适用范围、解决记忆与客观证据冲突、跟踪记忆更新及利用有效记忆实现个性化的能力。 相关资源已向社区开放。
提出 Span-Centric Learning 方法,使 8B LLM 仅用 248 份完整文档训练即超越 SOTA。 该方法将编码知识习得与应用分离,先从短 span 学习,再在少量标注数据上应用。模型能为预测代码提供明确支持证据,且与人工标注高度对齐。
提出RAG4Tickets框架,整合Sentence-Transformers语义嵌入与FAISS向量搜索,利用JIRA和GitHub数据生成可解释的工单解决建议。 框架嵌入历史JIRA工单、用户评论及关联PR元数据,通过LLM合成检索到的相似案例,并统一了异构软件工件的处理流程。 实验通过精确率、召回率及解决时间减少等指标验证,该系统在DevOps环境中显著提升了解决准确率与知识复用水平。
研究提出符号化机制数据归因(SMDA)框架,通过稀疏自编码器特征和岭回归分析 Llama-3.2-3B-Instruct 的 200 个 SFT 数据对,归因训练数据对模型行为策略的影响。 移除关键数据对后,重新微调的准确率比完整微调最多提升 4.5 个百分点。 该方法结合机制可解释性与数据归因,提供比黑盒影响函数更精细、比手动电路分析更可扩展的诊断工具。
MEMONDEMAND 提出了一套内存管理系统,在 EnterpriseRAG-Bench 上全尺度超越最强基线,10M token 时提升 12.23%,618M token 时提升 4.66%。 该系统包含动态多级层次结构、双重内存分离及按需升级机制,并已在 FinanceBench、HotpotQA 和 FRAMES 上验证。 代码已开源,适用于跨领域、大规模的企业数据场景。
MegaMem 提出双视图检索系统,在 6.5 亿 Token 的企业文档基准上将 Overall 分数从 68.22 提升至 82.26,Correctness 达 86.50。 该系统通过语义访问与生成证据分离,利用固定预算内的最高排名详细证据支持生成,确保超大持久记忆下的答案准确性。 MegaMem 代码已开源,为处理数亿至 10 亿 Token 级记忆提供了可行的检索路径。
多智能体事务记忆(MATM)框架提出群体级智能体轨迹存储与检索机制,生产者上传轨迹,消费者复用经验。 在无协调或联合训练条件下,ALFWorld 和 WebArena 环境下下游任务性能提升且交互步骤减少。 该设计为开放智能体生态系统中的群体级经验共享提供了架构范式。
提出结构感知框架 GraphCompliance,将法规文档表示为策略图、上下文信息表示为上下文图,通过合规门机制对齐两者以评估监管合规性。 在 EU2UK、GDPR-13 和 CONTRACT 数据集上的评测中,该框架的 Matthews 相关系数分别达到 0.802、0.682 和 0.793,数值上高于对比方法。 结果支持了结构化的策略-上下文对齐在异构监管场景合规预测中的效用。
改变评分量表单一设计元素平均导致标准化分数偏移 0.10,并改变约 20% 文本的分类结果。 实验涵盖 2 种格式、4 种范围、2 种符号、5 个 LLM,发现毒性任务敏感性最高且基于评分标准的提示未降低敏感性。 文章为设计更可靠的 LLM 文本评分提供实用指导,并强调需进行跨不同量表的稳健性检查。
研究揭示检索增强 LLM 常基于搜索片段而非打开源页面作答,导致过时答案和不忠实引用。 通过受控检索评估 1 个专有模型和 6 种开源权重配置,发现即使证据影响内部预测,模型最终仍偏好过时信息。 这些发现有助于推进检索证据可靠利用的研究。