本论文旨在研究将 RAG 用于领域适应的可行性，提出了一种名为 RAG-end2end 的新模型，相较于 RAG 模型，它通过联合训练 RAG 组件以及外部知识库的更新，实现了针对特定领域的知识库自适应以及更准确的问答任务。在 COVID-19、新闻和对话等三个领域上的测试表明，该新模型相较于原始 RAG 模型在数据集中的表现有明显提升。

Oct, 2022

本文提出了REAR，这是一种适用于开放领域问答的关联感知检索增强方法，通过在大型语言模型中引入一个能够准确评估检索文档相关性的排名头，以及通过双粒度相关融合和抗干扰训练的改进方法进行训练，REAR能够更好地利用外部知识并在四个开放领域问答任务中显著优于其他竞争性的RAG方法。

Feb, 2024

学习改进查询以实现检索增强生成，通过加入外部相关文档，使模型具备显式重写、分解和消歧的能力，并在各种问题回答数据集中取得了优于现有方法的表现。

Mar, 2024

通过将外部知识库融入到Retrieval-Augmented Generation (RAG)中，提出了一种名为Dynamic-Relevant Retrieval-Augmented Generation （DR-RAG）的两阶段检索框架，用于改善文档检索的召回率和答案的准确性，同时保持高效性，通过对检索到的文档的贡献进行分类确定相对相关的文档，实验证明DR-RAG能显著提高答案的准确性，并在QA系统方面取得新的进展。

Jun, 2024

提出了一种称为问题和路径增强的简单而有效的方法，通过对原始问题进行多步子问题的扩充和规划，从而提升检索性能，以及通过语言模型生成的自我生成路径来指导答案抽取，实验证明该方案优于现有技术且在现有的检索-生成模型中实现了显著的性能提升。

Jun, 2024

通过生成多个查询来克服单一查询的信息平台以及通过重写问题来消除二义性，我们提出了Query Rewriter+来增强Query Rewriter模块，同时通过引入Knowledge Filter模块解决RAG系统中存在的无关知识问题，并且引入Memory Knowledge Reservoir和Retriever Trigger模块解决冗余检索问题，这四个RAG模块通过增强响应质量和效率，经实验证明了其有效性。

Jul, 2024

本研究针对开放域问答中大语言模型无法仅依赖内部知识生成正确答案的问题，提出了W-RAG方法。该方法利用大语言模型的排名能力生成弱标签数据，优化密集检索器的训练。实验结果表明，该方法显著提升了检索和问答的性能。

Aug, 2024

本文针对传统检索增强生成（RAG）在长上下文语言模型（LLMs）面临的应用挑战，提出了一种新的有序保留的检索增强生成机制（OP-RAG）。研究表明，与长上下文LLMs相比，OP-RAG在长上下文问答任务中提升了答案质量，且在检索块数量适中的情况下表现最佳，显示出RAG在新环境中的潜在价值。

Sep, 2024

本研究针对当前检索增强生成（RAG）方法在开源大型语言模型（LLMs）中推理能力不足的问题，提出了一种新的框架Open-RAG，旨在提升推理能力。本框架通过将任意稠密LLM转化为高效的稀疏专家模型，解决复杂推理任务并优化检索过程，从而实现更准确和上下文相关的回复，实验结果表明Open-RAG在知识密集型任务上超越了现有的最先进模型。

Oct, 2024

本研究解决了现有检索增强生成方法在复杂问答任务中的信息获取不足和低质量答案问题。提出的自适应笔记增强检索增强生成方法通过迭代信息收集和适应性记忆审查，实现对知识的动态更新，显著提高了知识交互的质量。实验证明该方法在多个复杂问答数据集上优于现有技术，展示了其有效性和潜在影响。

Oct, 2024