RAG 论文日报｜2026-11-13：1 篇研究的问题与新思路

统计范围：北京时间 2026-11-13 00:00–24:00首次提交、截至检索时已公开并被 arXiv 编目的匹配论文。完整取得 1 篇候选，本期收录 1 篇。

阅读依据：论文标题、摘要与可核对元数据。下文是摘要速读，未逐篇全文审阅或独立复现。

昨日研究概览

本组论文聚焦RAG引用与实际知识来源不一致的问题，指出常规自然语言推理验证难以识别“凭记忆作答却选择顺从输出的引用”。研究以反事实值替换构造干预，比较十种归因方法，发现有无检索上下文时的模型分布差异最能区分来源；但该信号仍难区分“知道”与“使用”，尚不足以直接提升引用诚实性。

逐篇看：问题与新思路

01. 反事实干预识别RAG来源误标

原文：Cited but Unused: Parametric Provenance in Retrieval-Augmented Generation

要解决的问题： RAG会为可引用论断附加来源，但模型可能实际依赖参数记忆，并选择与自身输出一致的引用；现有自然语言推理验证即使限定到引用段落，结果仍近乎随机，无法识别这类来源错配。

新颖的想法： 作者通过把检索段落中的事实替换为错误变体并重新查询，以模型在干预下的输出变化测量来源；再比较十种归因方法，发现“有上下文与无上下文的模型分布差异”分离效果最好。不过该方法衡量的是模型知道什么，而非实际使用什么，直接据此干预未改善低基率下的引用诚实性。

入选线索： 按方向匹配及摘要中的方法贡献线索入选；发表和机构权威线索未核实

作者：Tanzeel Abbas、Tehseen Zia 等 · 首次提交：2026.11.13

来源、筛选与阅读边界

Top 10 是可解释的阅读优先级，不是公认学术权威排名。排序参考作者标注的发表/录用信息、作者区的机构原文、研究发布和开源线索，再结合方向与方法贡献线索；未提供的依据不从作者姓名或模型常识推断。arXiv 元数据中的录用信息仍是作者标注，不等于本站独立核实了会议录用。

同一论文可以属于多个研究方向；每个方向内部按基础论文 ID 去重，版本更新不另算新论文。候选按首次提交时间筛选，不把旧论文的新版本当作昨天新论文。超过十篇时筛选十篇，不足十篇按实际数量收录。

检索截至：2026.11.14 08:16（北京时间）。本方向共 1 篇候选，本期收录 1 篇。

查询记录：第 1 页。

本文由 AI 研究助手整理并进行来源审校。新颖性为作者的贡献主张，摘要可能省略关键条件；涉及采用、复现或投资决策时，请继续阅读原文。arXiv 收录不代表已经通过同行评审。