evidence-grounded

本文介绍了R2VC，一个模块化事实核查系统，结合了检索、验证和置信校准，以提高自动化事实核查的准确性和可靠性，在FEVER基准测试中实现了13.74%的准确率提升。

Sci-MMR 是一个用于评估多模态代理中多步骤证据基础科学推理的基准，揭示了答案准确率超过证据恢复率超过20%的差距。

PhoenixNent-Video 提出了一种基于证据的多模态代理框架，用于自动化视频面试评估，通过使用结构化视频图和强化学习，在基准测试中达到了91.50%的等级准确率。

HyGRAIL是一个成本感知框架，结合了GNN分诊与LLM审查，用于在知识图谱上进行科学假设发现，在MatKG基准测试中实现了F1分数的提升和LLM调用次数的减少。

SGHA是一个完全自动化的系统，使用本地9B语言模型，通过结构化证据和检测结构空白，从科学文献中发现研究问题，提供比专有模型更高的透明度和隐私保护。

本文研究无干净参考的智能体数据清洗，提出一个基于证据的框架，并评估多种配置下的权衡。

This paper presents ThyroidXAgent, a clinician-interactive agentic AI system that coordinates specialized diagnostic tools for thyroid ultrasound, storing outputs as auditable evidence records. Developed on a large multicentre dataset, it achieves strong results in nodule segmentation, benign-malignant classification, and report generation.

OmniScientist 是一个端到端的全模态人工智能科学家，它利用自主代理和全生命周期感知，直接基于异构原始证据开展多学科研究。在36个真实数据案例上的评估显示，它提升了跨多种科学模态的基于证据的发现能力。

TumorBoard 是一个用于纵向神经肿瘤学的多智能体决策支持系统，它利用共享的纵向病例状态和可审计的声明-证据账本。在包含360个病例的基准测试中，它优于基线模型，并且安全治理机制减少了有害推荐。

介绍了XL-DocBench，这是一个经过人工验证的超长文档理解基准，涵盖六个专业领域的1,519个问题，要求多页证据和结构化推理，表明当前大语言模型在处理长上下文专业文档时仍存在困难。

本文提出了EGTA，一种面向同声传译的基于证据的术语自适应框架，该框架选择性地使用文档特定术语来改进罕见词的翻译，在无需全模型微调的情况下，在命名实体和缩写召回率方面取得了显著提升。

MSCE是一种免训练框架，将LLM智能体的经验组织为三个记忆层次，并将其转化为带有证据链接的可复用技能，优于现有的记忆增强和技能增强基线。

介绍了无知识语言模型（KLLMs），该模型在实体匿名的语料库上进行预训练，以抑制参数化回忆并增强基于证据的推理，在上下文问答、事实验证和幻觉检测基准上取得了显著改进。

本文介绍 ResearchStudio-Idea，一个基于 ML 会议论文分析的可复用研究构思技能套件，包含 Paper-Search、Scoop-Check 和 IdeaSpark，通过从 1,947 篇论文中提取的 15 个模式来生成有证据支撑的研究想法。

本文介绍了数据记者智能体（Data2Story），一个多智能体框架，通过生成基于证据的多模态新闻故事来自动化数据新闻，同时确保透明性和可验证性。