🔍 信息检索/RAG¶
🧠 NeurIPS2026 · 18 篇论文解读
📌 同领域跨会议浏览: 🎞️ ECCV2026 (8) · 🔬 ICLR2026 (81) · 💬 ACL2026 (73) · 🧪 ICML2026 (26) · 🤖 AAAI2026 (21) · 🧠 NeurIPS2025 (25)
🔥 高频主题: RAG ×3
- Beyond Raw Context Transfer: Representation-based Federated Retrieval-Augmented Generation
-
针对敏感分布式知识库中原始文本无法跨机构共享的瓶颈,提出 FedRepRAG 框架,通过两阶段协同训练的轻量化投影器将分布式检索嵌入映射为单个生成器软标记,在彻底规避原始上下文传输的同时将上下文长度缩短 19–398 倍并显著降低推理计算开销。
- Can Language Models Actually Retrieve In-Context? Drowning in Documents at Million Token Scale
-
针对百万 token 规模下的语料级上下文检索(In-Context Retrieval),本文实证揭示了注意力稀释(Attention Dilution)导致的崩溃机理,并提出长度自适应 Softmax 缩放与文档级稀疏路由机制,成功在百万 token 语料上匹敌同骨干稠密检索器。
- Cluster with Auctions for Vector Search
-
将倒排索引中的数据库分区与查询探测函数严格解耦,利用拍卖算法求解带容量约束的线性指派以确保簇严格均衡,并结合查询分布端到端交替优化神经网络探测器,在分布偏移场景下吞吐量超越基线数倍。
- Data Auctions for Retrieval Augmented Generation
-
针对大模型 RAG 场景中敏感数据独占式售卖的需求,本文提出了基于距离覆盖的次模估值模型,证明了福利最大化与需求预言机的 NP-hard 复杂度,并设计了结合线性规划随机取整与“数据销毁”后处理的 LPRMono 机制,在保证激励兼容与个体理性的同时实现了理论最优的 \((1-1/e)\) 近似比。
- Diagnosing and Repairing Citation Failures in Generative Engine Optimization
-
本文将生成式引擎优化(GEO)从通用重写转向“失败诊断与靶向修复”,提出涵盖抓取、解析与生成全链路的引用失败分类法与 AgentGEO 智能体系统,仅修改 5% 的页面内容即可实现超过 40% 的相对引用率提升。
- From Topology to Retrieval: Decoding Embedding Spaces with Unified Signatures
-
本文提出统一拓扑特征(UTS),通过整合多尺度持续同调、内蕴维度、多样性、各向同性及聚类等几何描述符构建特征向量,实现了对文本嵌入空间的精细刻画,在无需标注数据下精准预测稠密检索下游性能与文档可检索性偏差,并证伪了基于模型规模的全局表征收敛假设。
- GISA: A Benchmark for General Information Seeking Assistant
-
针对现有搜索智能体评测中“由答案逆向构题”、“缺乏纵深与广度结合”、“静态答案易受预训练污染”及“LLM打分不稳定”等痛点,提出由人类正向构建的通用信息搜索基准 GISA,涵盖四种结构化答案格式与动态实时子集,并提供完整人类真实搜索轨迹以支持过程级监督。
- Is Dimensionality a Barrier for Retrieval Models?
-
本文从理论上研究了低维表示能否支持大规模检索,证明了在无需限制维度的最大检索边界下,仅需对数维度 \(d=O(\mathsf{m}^{\mathrm{rd}}(+\infty, A)^{-2}\log(\min(n, N)))\) 即可达到近乎最优边界,并指出 Sigmoid 损失在低维大边界几何上显著优于 InfoNCE。
- Knowledge-Graph Paths as Intermediate Supervision for Self-Evolving Search Agents
-
针对搜索自博弈(Search Self-Play)中提问者生成盲目、求解者二元奖励稀疏两大瓶颈,提出重用构建自博弈任务时提取的知识图谱路径作为轻量中间监督,既为提问者提供结构化多跳上下文,又通过路径路标覆盖度对求解者未答对轨迹赋予渐进过程奖励。
- LeanSearch v2: Global Premise Retrieval for Lean 4 Theorem Proving
-
针对 Lean 4 形式化证明中跨模块前提检索难题,提出包含标准模式(基于层次化非形式化语料与重排)与推理模式(基于草图-检索-反思循环)的 LeanSearch v2,大幅提升全局前提召回率及下游证明成功率。
- Learning to Align Generative Appearance Priors for Fine-grained Image Retrieval
-
针对细粒度图像检索中基于类别标签监督易过拟合训练类语义、难以泛化到未见类别的痛点,本文提出生成式外观先验对齐网络(GAPan),利用可逆正则化流将实例特征双向映射至类条件高斯分布,在潜在空间建立显式外观先验并采样高密度外观锚点指导对比对齐,显著提升跨类别泛化能力。
- LogicTree-RAG: Logic Tree-guided Retrieval-Augmented Generation for Long-form Patent Drafting
-
LogicTree-RAG 先把研究论文组织为可检索、可递归扩展的证据关联逻辑树,再按章节混合遍历生成长篇专利说明书草稿,在 Pap2Pat 测试集上得到 20.22k 输出 tokens、43.79 覆盖度和 66.34 的来源结合事实性,但这些结果不等于可专利性或法律有效性认证。
- MaxSketch: Robust Distinct Counting in Streams via Random Projections
-
针对高维流式数据中同类实体呈现近似而非严格相等的鲁棒去重计数难题,本文提出基于高斯随机投影的极值草图 MaxSketch,证明了在聚类几何结构下仅需 \(\tilde{O}(\log n/\varepsilon^2)\) 内存即可实现 \((1+\varepsilon)\) 乘性逼近,突破了一般度量空间的 \(\Omega(\sqrt{n})\) 下界。
- MCGI: Manifold-Consistent Graph Indexing for Billion-Scale Disk-Resident Vector Search
-
针对高维向量在外存图索引中欧氏距离与流形测地线偏离导致的检索退化问题,提出融合局部内在维度(LID)的流形一致性图索引(MCGI),通过自适应约束剪枝打破静态参数瓶颈,在 960 维 GIST1M 上实现 5.8 倍吞吐提升并在十亿级 SIFT1B 上降低 3 倍延迟。
- Pinpoint: Grounded Worldwide Image Geolocation via Cross-Source Retrieval and Reranking
-
Pinpoint 提出了一种无需多模态大语言模型(MLLM)的端到端“检索+重排”全球图像定位框架,通过街景数据与网络用户照片的跨源对比联合训练并引入空间近邻支持令牌,在大幅降低推理延迟的同时全面刷新了全球地理定位的主流基准。
- Semantic Search over 9 Million Mathematical Theorems
-
针对现有学术检索工具仅停留在论文级而无法定位具体数学命题的痛点,构建了涵盖 920 万条定理语句的最大规模非形式化数学定理库,提出利用 LLM 生成自然语言标语(slogan)表征并结合两阶段向量检索架构,在专业数学家评测集上将定理级 Hit@20 提升至 45.0%。
- UniRank: Unified List-wise Reranking via Confidence-Ordered Denoising
-
UniRank 将列表级重排建模为基于置信度降序填写的掩码离散扩散过程,通过双向 Transformer 和任务锚定扩散接口打破了传统自回归的误差传播与非自回归的插槽独立性假设,并在统一视角下将 AR 与 NAR 还原为其推理特例。
- Your Embedding Model Is SMARTer Than You Think
-
发现标准单向量嵌入模型即便仅受全局池化对比损失监督,其未池化隐状态已自然具备局部余弦匹配几何结构;据此提出 SMART 框架,在推理期无需训练直接叠加隐状态 MaxSim 晚期交互得分,并支持极低成本后训练以逼平专用多向量模型。