中国联通研究团队在AAAI 2026上发布了HiMo-CLIP模型，解决了长文本图像检索中的语义层级和单调性问题。该模型通过动态特征提取和对齐机制，显著提高了长短文本的检索精度，性能优于现有模型。

语义分块RAG方法通过计算句子间的语义相似度进行智能分块，从而提高检索精度。该方法利用百分位数等技术识别语义断点，将文本划分为连贯的块，并支持多种断点检测方式。

语义分块RAG方法通过计算句子间的语义相似度进行智能分块，提升检索精度。该方法利用百分位数等技术找到语义断点，将文本分割成连贯块，适用于长文档处理和复杂问答系统。

本研究提出了FineCIR框架，旨在解决组合图像检索中因粗粒度修改文本导致的检索不准确问题。通过细粒度数据标注，FineCIR在FashionIQ和CIRR数据集上显著提高了检索精度，优于现有方法。

本研究提出了一种基于大型语言模型的多智能体系统迭代检索方法，通过动态知识优化查询，避免偏见强化。该系统在复杂任务中表现出更高的检索精度和效率，优于传统方法。

本研究提出了HuixiangDou2框架，通过双层检索显著提升大型语言模型在特定领域和新兴主题查询中的检索精度与推理能力。

本研究提出了一种新方法——强化信息检索（Reinforced-IR），旨在解决跨域信息检索的挑战。通过自我增强框架，显著提高了检索精度，实验结果表明其优于现有方法。

本研究评估了不同检索增强生成方法对检索精度和答案相似性的影响。研究发现HyDE和大型语言模型重排能提高检索精度，MMR和Cohere重排无优势，Multi-query方法表现不佳。句窗检索是最有效的方法，但答案相似性不稳定。研究证实文件摘要索引是有效的检索方法。欢迎学术界进一步探索RAG系统的研究。

北京大学和南洋理工大学的研究团队提出了一种新的通用风格检索任务，通过构建多样化的查询图片数据集和即插即用的框架，解决了传统检索模型无法兼容不同类型查询向量的问题。实验证明该框架能够显著增强现有检索模型的泛化能力，并提升模型的检索精度。

该研究比较了双编码器与稀疏词袋模型和注意力神经网络的检索能力。研究发现双编码器在编码维数、金标和排名较低文件之间的边际以及文档长度方面存在限制。研究提出了一种结合了双编码器和注意力结构的简单神经模型，并探索了稀疏-密集混合模型以提高检索精度。这些模型在大规模检索中胜过替代方案。

本研究评估了不同检索增强生成方法对检索精度和答案相似性的影响。研究发现，Hypothetical Document Embedding (HyDE) 和大型语言模型重排能显著提高检索精度。Maximal Marginal Relevance (MMR) 和 Cohere 重排在基线 Naive RAG 系统上没有明显优势。句窗检索为最有效的检索精度方法。研究证实文件摘要索引作为一种有效的检索方法。