Les articles proches qu’un brouillon sur « Ancrer les réponses dans les passages récupérés : étude des hallucinations dans les modèles de langage augmentés par la recherche » ne cite pas

Un exemple réel : ce que vous obtenez

30 articles proches que le brouillon ne cite pas, dont 13 qu’un rapporteur attendrait.

• Où citer chacun, section par section
• Comment vous situer par rapport à chacun
• Ce que chacun est pour votre brouillon : même question, méthode concurrente, résultat antérieur, données…
• 312 articles passés en revue dans les revues et les preprints

Les premiers résultats

1. Why Retrieval-Augmented Generation Fails: A Graph Perspective Kai Guo, Xinnan Dai, Zhibo Zhang, Nuohan Lin, Shenglai Zeng et al. · 2026 Cet article étudie directement comment les preuves récupérées influencent la génération et pourquoi un système RAG échoue. Son analyse interne des circuits complète l'attribution des erreurs proposée dans le brouillon.
2. Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection Akari Asai, Zeqiu Wu, Yizhong Wang, Avirup Sil, Hannaneh Hajishirzi · 2023 Self-RAG traite la pertinence des passages et l'ancrage des réponses au moyen d'une récupération adaptative et d'une autocritique. Il propose ainsi une réponse méthodologique aux défaillances que le brouillon cherche à mesurer.
3. Retrieval Error or Generation Error? Hierarchical Failure Attribution and Evidence-Constrained Correction for Legal LLM-RAG Adeline Zhou · 2026 Ce travail sépare explicitement les échecs de récupération, de sélection des preuves et de réalisation de la réponse. Il rejoint donc directement la question d'attribution des erreurs du brouillon, dans un domaine juridique.
4. Leveraging Passage Retrieval with Generative Models for Open Domain Question Answering Gautier Izacard, Édouard Grave · 2021 Cette étude évalue déjà le bénéfice de passages récupérés pour des générateurs en questions-réponses ouvertes, notamment sur Natural Questions. Elle constitue un précédent direct, même si son résumé met l'accent sur la performance plutôt que sur les phrases non étayées.
5. Disentangling Faithfulness Hallucinations in Retrieval-Augmented Generation: A Systematic Benchmark and Analysis Chandana Sree Mala, Gizem Gezici, Fosca Giannotti · 2026 Cette étude évalue explicitement la fidélité des systèmes RAG et dissocie les erreurs de récupération de celles de génération. Son objectif recoupe directement celui du brouillon, avec d'autres modèles et jeux de données.
6. Hybrid Retrieval for Hallucination Mitigation in Large Language Models: A Comparative Analysis Chandana Sree Mala, Gizem Gezici, Fosca Giannotti · 2025 Cette comparaison relie directement la qualité de récupération à la réduction des hallucinations et oppose récupération sparse, dense et hybride. Elle rejoint la conclusion du brouillon selon laquelle les bénéfices du RAG dépendent des preuves récupérées.
7. Facet-Level Tracing of Evidence Uncertainty and Hallucination in RAG Passant Elchafei, Monorama Swain, Shahed Masoudian, Markus Schedl · 2026 Ce préprint distingue explicitement l’insuffisance des preuves de leur mauvaise utilisation par le générateur, ce qui recoupe la question centrale du manuscrit. Il combine également pertinence documentaire et inférence en langue naturelle pour diagnostiquer l’ancrage des réponses.
8. When Attention Escapes: Diagnosing and Mitigating Hallucination in Retrieval-Augmented Generation Wencheng Su, Qinglong Wang, Zhongjie Ba, Zhixuan Chu, Zhenyu Zhong et al. · 2026 Cet article étudie les hallucinations dues à une utilisation insuffisante du contexte récupéré et les relie au routage de l’attention. Il apporte donc une explication mécaniste à l’une des sources d’erreur que le manuscrit cherche à distinguer.
9. Rowen: Adaptive Retrieval-Augmented Generation for Hallucination Mitigation in LLMs Hanxing Ding, Liang Pang, Zihao Wei, Huawei Shen, Xueqi Cheng · 2024 Rowen souligne que les informations externes peuvent combler des lacunes mais aussi provoquer des hallucinations lorsqu’elles sont non pertinentes. Ce constat rejoint directement la disparition du bénéfice observée avec des passages concernant une autre entité.
10. Stable-RAG: Mitigating Retrieval-Permutation-Induced Hallucinations in Retrieval-Augmented Generation Qianchi Zhang, Hainan Zhang, Liang Pang, Hongwei Zheng, Zhiming Zheng · 2026 Stable-RAG montre que les réponses peuvent varier avec l’ordre des documents même lorsqu’un document de référence est présent. Ce résultat distingue la disponibilité d’une preuve de son exploitation fiable par le générateur.

20 autres résultats masqués

Voir un exemple complet, expliqué pas à pas →