★ 4
评分量表漏检医疗 AI 幻觉盲区
研究构建了医疗幻觉类型分类与经临床医生验证的错误注入流水线，在 HealthBench、HealthBench Professional 和 LiveMedBench 上测试发现，具有临床相关性的幻觉常被评分量表漏掉，分数几乎不变。量表在显式核查事实时最有效，对未预期的额外错误则失效；初步的检索式…
arXiv cs.AI49 天前
#检索增强
共 48 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 4
论文提出面向企业智能体的环境探测式记忆整理方法
论文提出环境探测式整理方法，为异步整理智能体赋予最小权限的只读世界工具，以核查、界定与刷新候选记忆，无需重训模型。在GitHub Copilot SDK构建的类生产环境中，CLBench通过率从39%升至73%，查询数与成本显著下降。在六个APEX世界中18项记忆对比全部为正，工具调用减少16%至…
arXiv cs.AI51 天前
★ 3
研究提出 ETAMem 多视图记忆框架提升长期对话智能体表现
论文针对长期记忆中的信息纠缠与组织失配问题，提出 ETAMem 多视图记忆框架：解析原子记忆单元并识别情感信息，组织为事件、情感、时间三个层级视图，用熵基检索按查询分配预算。在 LoCoMo 与 LongMemEval-S 上相对准确率分别提升 12.46% 与 7.96%。
arXiv NLP5 天前
★ 3
研究：显式记忆系统未必优于原始历史 RAG
一项 arXiv 论文在 LongMemEval-S 与 BEAM-100K 上对比六种先进显式记忆系统与原始历史 RAG。结果显示显式记忆仅在特定问题类型和紧上下文预算下有局部收益，构建成本却可达每段对话数小时。作者指出检索仍是主要瓶颈，改进信息访问至少与构建更丰富记忆同等重要。
arXiv NLP13 天前
★ 3
ExecutionRAG 揭示多跳 RAG 检索漂移问题
研究指出多跳 RAG 中大量所谓检索失败实为搜索漂移——搜索不再跟踪未解答的子问题。作者提出免训练的 ExecutionRAG 需求登记机制，在 MuSiQue 上把缺失证据的错误答案从 382 降至 234。但证据恢复并未成比例降低总错误，瓶颈已从引导搜索转向验证证据充分性。
arXiv NLP17 天前
★ 3
PANINI-DR：基于生成语义工作区的可控深度研究框架
研究者提出 PANINI-DR 多智能体框架，将整体研究协调与单个子问题的研究与验证分离，用基于生成语义工作区的共享空间记录子问题、依赖、发现与证据。在 BrowseComp-Plus、FRAMES、MoNaCo 上平均表现最佳，BrowseComp-Plus 准确率 73.3%，领先次优框架 1…
arXiv NLP19 天前
★ 3
神经符号论证推理系统 NARS 检测说服力
研究者提出神经符号论证推理系统 NARS，结合检索增强的迭代 LLM 推理与渐进论证语义，从 ChangeMyView 讨论中检测说服力。团队构建 CMV2BAS 数据集，NARS 在最佳配置下 F1 达 0.57，优于零样本 Qwen3.6:27B 与 GPT-oss:20B，并公开数据集与框架。
arXiv NLP19 天前
★ 3
便携技能实现智能体 RAG：客服场景部署案例
论文报告一个客服场景部署案例：用自然语言指令、轻量工具与 LLM 生成的「维基式」导航索引层构成便携技能，替代复杂分块、索引与重排序的智能体 RAG 流水线。该方法 1-2 人日即可实现，流程等价度达 99.2%，但每单耗时约 90 秒，慢于生产助手。
arXiv cs.AI19 天前
★ 3
T²Mem：测试时记忆构建框架提升 LLM 长程问答
论文提出 T²Mem，将记忆构建推迟到推理阶段，离线仅提取轻量级片段元数据作为检索线索，测试时随推理进程逐步构建查询专属记忆。在 LoCoMo 与 LongMemEval 上，该方法在多种基座 LLM 上稳定超越强基线，并显著降低记忆构建开销。
arXiv NLP21 天前
★ 3
SEER：面向时间序列预测的自演化事件推理与检索
论文指出真实时间序列常受外生事件与结构变化驱动，仅依赖历史数值的预测不足，而标准检索增强方法难以应对高噪声与因果推理。作者提出 SEER 闭环框架，将预测误差转化为两种解耦反馈机制：反思式检索记忆与持久因果知识库，并严格约束时间边界以防前视偏差与数据泄漏。在六个高波动时间序列基准上，SEER 持续…
arXiv cs.LG27 天前
★ 3
MemFit：高效长期智能体记忆系统
针对现有LLM长期记忆系统依赖昂贵LLM调用进行记忆整理的问题，研究者提出MemFit，采用仅追加存储逐字保存每轮对话，实现近乎即时、无需LLM的插入，并用片段摘要索引而非替换原文。其无LLM多路径检索结合词汇与语义信号及交叉编码器重排。在LoCoMo、MemGallery和LongMemEval…
arXiv cs.AI31 天前
★ 3
VHOP-Router：视觉空间多步嵌入检索路由
论文提出 VHOP 数据生成框架与基准，以及 VHOP-Router 端到端训练管线，将标准嵌入模型改造为自回归多步检索器，直接在视觉潜空间检索图像链。检索性能从不足 5% 提升至 76.3%，智能体搜索任务成功率提升 52.7%，平均 token 长度减少 61%，上下文图像减少 23 倍。
arXiv cs.AI32 天前
★ 3
研究剖析ChatGPT等四大平台智能体搜索全流程
论文首次系统研究ChatGPT、Claude、Grok与DeepSeek四大对话平台的智能体网络搜索，结合真实用户交互与API受控实验。发现各平台搜索触发决策差异显著，更频繁调用搜索未必带来更好回答质量，且平台搜索引擎偏好特定域名。部分回答依赖未引用的搜索结果，引发归因与可靠性担忧。
arXiv cs.AI45 天前
★ 3
EffiRAG：图结构 RAG 的成本与质量权衡
论文探讨图结构检索增强生成（RAG）的质量增益是否值得其高昂的建图成本。作者提出 EffiRAG，用图定位相关段落并从原文生成答案，保持轻量建图与查询。在 UltraDomain 上，EffiRAG 在 120 题中 93 题优于 LightRAG-hybrid，总成本降低 57%，且随语料增长优…
arXiv cs.AI46 天前
★ 3
超越向量相似度：企业代码迁移中的分层图 RAG
论文针对企业遗留单体系统向微服务迁移的自动代码翻译，指出标准向量 RAG 难以捕捉拓扑关系、割裂继承链导致编译失败率高。提出分层上下文驻留图（HCRG）方法，用 tree-sitter 抽取 AST、将架构边映射到 Spanner 属性图并序列化进 Gemini 上下文缓存。实验显示 API 幻觉…
arXiv cs.AI49 天前
★ 3
MOSAIC：GraphRAG的查询感知探索策略适配
论文指出GraphRAG多数系统对查询采用共享探索流程，造成结构性错配。提出免训练框架Mosaic，将检索形式化为逐查询控制问题，由LLM分析器生成种子选择、图遍历、停止与证据选择的有界策略。在GraphRAG-Bench上医学与小说答案正确率分别提升5.13与4.43分，路径评估减少81.9%。
arXiv cs.AI51 天前
★ 3
利用目录结构增强检索的STAIR系统
提出STAIR检索系统，利用目录等全局结构信息提升生成式信息检索的准确性，减少幻觉。在SearchTome基准上Recall@1达82.6%，优于DSI、BM25等基线，并发布18本书的基准数据集。
arXiv cs.AI59 天前
★ 3
持久发现上下文提升数据中心智能体检索质量
论文提出持久发现上下文，一种存储意图到对象映射的轻量记忆层，用于增强数据智能体的检索。在三个结构化数据环境中，该方法一致优于仅元数据搜索，且在词汇稀疏领域表现更佳。研究表明发现结果可作为可复用上下文，提升智能体效率。
arXiv cs.AI60 天前
★ 3
多轮搜索智能体的检索接地测试时扩展研究
基于置信度的投票在多轮搜索代理中效果不佳，原因是复制膨胀导致置信度失真。提出检索接地投票（RGV），通过最终答案与检索文档的词汇重叠评分，避免污染上下文。在四个基准和五个LLM上，RGV一致优于置信度投票，准确率提升最高5.4%。
arXiv cs.AI68 天前
★ 2
开发者提出 DCA 架构，将 LLM 上下文复杂度从 O(N²) 降至 O(k)
开发者 Samama Tariq 在 Hacker News 上发布 Deferred Cognitive Architecture（DCA），用三层模块化框架替代单体执行，把机械 I/O 检索隔离到低功耗微流水线，并将重推理延后到预过滤数据送达之后。作者称该架构可将上下文计算复杂度从 O(N²)…
Hacker News – LLM1 天前
★ 2
研究用惯性约束聚变基准评测语言模型科学能力
论文以惯性约束聚变为用例，构建 250 题专家标注基准，覆盖定性推理、数值计算、符号推导与方程构建。领域特化模型 Prospero 较基座提升 10.7 个百分点，前沿模型总分最高但数值计算仍存关键物理错误。检索对小模型有帮助、对前沿模型无显著提升，作者建议特化前先评估现有能力。
arXiv cs.AI3 天前
★ 2
DelSA：智能体驱动证据选择识别时序错乱假新闻
论文针对「证据一致性陷阱」——检索到时间错配但语义合理的证据导致误判——构建 ChronoFake 基准（30706 篇文章），并提出 DelSA 文档选择自更新智能体。DelSA 用 LLM 刻画候选证据，由验证器训练的 reranker 平衡相关性与时间线一致性，在 ChronoFake 上优…
arXiv cs.AI5 天前
★ 2
UMer：基于社交痕迹与心理证据推理的抑郁严重度估计
arXiv 论文提出 UMer 框架，从用户历史社交痕迹中蒸馏个体心理先验，再按量表引导多查询检索构建证据记忆，最后进行由粗到细的证据感知推理，区分直接与间接证据并给出可解释的条目级评分。真实基准实验显示其性能具竞争力，并提供有据可依的可解释性。
arXiv NLP6 天前
★ 2
MARCA 多智能体框架用于药物警戒因果评估
研究团队构建 MARCA 四智能体框架，结合文献检索、药品标签评估、客观证据分类与临床因果推理，基于 Gemini 2.5 Pro 与 DeepSeek-V3.2 完成 Naranjo 量表评估。在 215 份个例安全报告、1562 个药物-事件组合上，最终因果分类与专家一致率为 79.4%。回顾…
arXiv NLP6 天前
★ 2
FlexA-Mem：面向 LLM 智能体的预算自适应记忆框架
研究者提出 FlexA-Mem，将历史记录一次性写入不可变存储，每次调用时按剩余预算渲染出紧凑时间线与细节，无需额外 LLM 调用。在 AppWorld 4k 挑战任务上比次优方法高 11.5%，在 LongMemEval 与 LoCoMo 上匹配专用关键词检索器。该工作针对检索式记忆漏步骤、摘要…
arXiv NLP6 天前
★ 2
arXiv 提出 LLM 时代知识图谱质量评估框架
论文综述了数据、信息、关联数据与知识图谱的质量评估文献，以及知识图谱与大模型交叉领域的研究。作者将现有框架扩展为包含 24 个质量维度的目录，并提出一个通用、可按领域或任务定制、可落地的知识图谱质量评估框架，用于判断知识图谱能否可信地为 LLM 提供依据。
arXiv NLP7 天前
★ 2
研究：Llama-3.1 文档级 LoRA 适配器开卷评分多测阅读行为
arXiv 论文在 Llama-3.1-8B-Instruct 上为 150 篇维基百科文章各训练一个 LoRA 适配器，发现开卷评分主要衡量所有适配器共有的阅读能力：随机适配器可复现专家适配器 82% 的开卷优势，但在闭卷填空探针上仅 2%。内容确实进入权重，但按权重空间或文本嵌入检索适配器的效…
arXiv NLP10 天前
★ 2
SteerSearch：支持搜索中途中改目标的强化学习框架
论文研究用户在模型搜索推理过程中改变目标的「中途引导」场景，识别出智能体仍回答旧问题的「答案目标锚定」失败模式。提出 SteerSearch 强化学习框架与 SteerSearch-Bench 基准，在 Qwen2.5-3B 上将引导准确率从 11.1% 提升至 31.3%，Qwen3-4B 上从…
arXiv cs.AI13 天前
★ 2
QEMem 框架提出记忆证据集构建方法，LoCoMo 准确率达 91.43%
论文指出 LLM 智能体检索到相关记忆并不等于拥有足够证据，存在「相关性—充分性」缺口。作者提出 QEMem 框架，通过查询引导发现、来源锚定具体化和充分性引导精炼三步，把记忆利用重构为构建查询专属证据集。在共享记忆库下，QEMem 配合 Claude Opus 4.5 在 LoCoMo 上取得 …
arXiv cs.AI13 天前
★ 2
TeachGrade：免训练教师证据简答题评分框架
研究者提出 TeachGrade，一种利用教师评分示例的免训练简答题评分框架，通过 Skill 和 CaseBank 两个冻结记忆模块提升评分一致性。在 3829 份 SAS-Bench 答案上，宏观协作一致性分数从 67.99 提升至 81.32，宏观 QWK 达 84.71，在 8 项任务上领…
arXiv NLP19 天前