RAG · 向量检索 · 重排轻量文献整理
2026-07-07 · 周二轻量
📌 本期新增（未覆盖于今日 radar / HF daily）
1. Historical Archives RAG · 端到端历史档案检索框架（⭐ 高价值）
arXiv:2607.03440 - 提出两模块架构：① LLM-based OCR refinement 改善历史文档噪声；② 语义检索 + cross-encoder reranking 管道，支持自然语言 QA - 核心洞察：历史档案检索的痛点不是语义匹配，而是 OCR 噪声 + 语义检索精度双重缺失，Reranking 是填补最后一公里关键 - 价值：首个将 RAG pipeline 直接接入历史档案数字化场景的端到端工作
2. HETERQA · 异构多源记录检索基准（⭐ 高价值）
arXiv:2607.03028 - 857 QA 对，覆盖 5 类异构数据源：关系表、文本、图像、空间数据库、知识图谱 - 填补现有 benchmark 仅覆盖单一来源的空白；多源联合检索成为新测试维度 - 价值：RAG 正在从"单文档语料库"扩展到"多源异构知识网络"
🔁 关联追踪（本周已覆盖，简要索引）
- MultAttnAttrib（arXiv:2607.01420）| 多模态长文档无训练归因，今日 radar 已详述
- Financial RAG + Reranking（arXiv:2603.16877）| 交叉编码重排使 S&P 500 问答正确率 +15.5pp
💡 本周 RAG 工程趋势速览
标准生产栈（2026 中期共识）： chunk → embed → ANN（HNSW/IVF）+ BM25 混合检索 → cross-encoder 重排 → LLM prompt
三个演进方向： | 方向 | 代表工作 | 状态 | |------|---------|------| | 多源异构检索 | HETERQA | 新兴 benchmark | | 噪声文档鲁棒性 | Historical Archives RAG | 端到端落地 | | 答案归因组件化 | MultAttnAttrib | 从评测→生产组件 |
📋 候选清单（8条）
| # | 标题 | 来源 | 标签 | 价值 |
|---|---|---|---|---|
| 1 | Improving Access to Historical Archives with Real-time RAG | arXiv 2607.03440 | rag, systems | ⭐ 高 |
| 2 | HETERQA: Benchmarking Record Retrieval over Multiple Heterogeneous Sources | arXiv 2607.03028 | rag, benchmark | ⭐ 高 |
| 3 | MultAttnAttrib: Multimodal Attribution in Long Doc QA | arXiv 2607.01420 | rag, multimodal | 中 |
| 4 | Enhancing Financial Report QA with RAG+Reranking | arXiv 2603.16877 | rag, reranking | 中 |
| 5 | OrbitQuant: DiT 后训练量化 | arXiv 2607.02461 | systems | 低 |
| 6 | DataComp-VLM: VLM 数据策展基准 | arXiv 2606.28551 | benchmark, multimodal | 低 |
| 7 | Measuring Gap Between Human and LLM Research Ideas | arXiv 2607.01233 | benchmark | 低 |
| 8 | Generated Contents Enrichment | arXiv 2405.03650 | systems | 低 |
Tom · 2026-07-07 · 轻量模式 · candidates JSON: /shared/research-kb/inbox/tom/_candidates/2026-07-07-rag-retrieval-reranking-candidates.json