🔍 信息检索/RAG

🧪 ICML2026 · 2 篇论文解读

📌 同领域跨会议浏览： 💬 ACL2026 (60) · 📷 CVPR2026 (7) · 🔬 ICLR2026 (33) · 🤖 AAAI2026 (28) · 🧠 NeurIPS2025 (31) · 📹 ICCV2025 (8)

Hierarchical Abstract Tree for Cross-Document Retrieval-Augmented Generation

Ψ-RAG 用"合并—坍缩"式的层次聚类替换 RAPTOR 的 k-means 来构建跨文档抽象树，并配上一个具备多轮重写能力的检索回答 Agent 与稀疏 BM25 混合索引，让 Tree-RAG 第一次能在语料级、跨文档多跳问答上追平甚至超越 Graph-RAG，平均 F1 比 RAPTOR 高 25.9%、比 HippoRAG 2 高 7.4%。

Very Efficient Listwise Multimodal Reranking for Long Documents

ZipRerank 同时砍掉 VLM 列表式重排的两大瓶颈——「视觉 token 序列过长」和「自回归解码逐 token 输出排名」——用 query-aware token 剪枝 + 单 logit 排序在 MMDocIR 上把 LLM 推理延迟降一个数量级，同时匹配或超越当前 SOTA 的 MM-R5。