标签
本文介绍了X-RAMDocs-ZHEN——一个用于诊断检索增强生成中证据冲突的可控中英文基准测试，以及X-MADAM-RAG——一个可解释的流水线。该流水线在原始基准测试上优于基线模型，但在自然化压力测试下展现了局限性，凸显了文档级提取是一个关键瓶颈。
本文在冲突证据条件下评估了六个开放权重的大语言模型在生物医学问答中的表现，揭示了准确率下降和预测翻转，并提出了一个冲突感知的弃权评分，提高了选择性准确率。