标签
Open-o3-Video-v2 将视频推理建模为统一的智能体证据接地过程，模型主动识别缺失信息、获取额外观测并将其时空证据写入推理轨迹。基于 Qwen3-VL-4B 骨干，该模型在 V-STaR 上取得 40.4% mAM 和 56.3% mLGM，显著超越基线。
该论文提出Image Factuality Assessment任务及EviScene多模态ReAct智能体，通过视觉检查、外部检索与证据分析的交替推理来判定图像所描绘场景是否事实成立，并发布了包含10,174张图像的EviLens专家审阅基准，在Qwen3.5-9B上实现了79.05%的平衡准确率。
这篇论文提出一个用于可解释自杀风险评估的框架，包含风险评估、证据定位和心理社会因素识别三个模块，并在 IEEE BigData 2026 Explainable Suicide Risk Detection Challenge 中报告了相应的 F1 结果。
论文推出了 Nautil——一个包含 731 个案例的经审计数据集与评测套件，用于训练大模型调查者判断证据是否足以结案。实验表明，针对结案决策进行微调和强化学习，即使对前沿模型也能显著减少证据夸大问题。
TRACE 引入目标感知检索、证据归因定位与契约约束抽取，以弥合科学文献 LitTraceQA 中的"grounding 契约鸿沟"，在官方 71 题测试集上得分 0.760613，论文抽取 F1 表现强劲（0.9728），但表格抽取性能相对较弱。
PathAnchor 是一个基于路径结构证据工作区的科学推理系统，通过 Material–Sensor–Signal–System 轨迹组织证据，在 120 个柔性传感器问题上以 82.6% 的得分领先六个基线系统，并显著提升来源召回率与引用完整性。
BioPhys-Bridge引入了一个基准数据集，用于评估语言模型在生物物理学中基于证据的科学推理能力，重点关注具有定量和机制基础的跨学科任务。
论文研究了正确性门控多教师蒸馏，发现决策偏移、标签功能丧失和不确定的依据审计，与硬过滤相比没有增量优势。
本文介绍了PACEShop，一个基准数据集，以及PACEJudge，一个用于评估个性化、可操作、组合式和基于证据的购物助手的评判协议，旨在解决当前评估方法中的空白。
介绍了LitTraceQA，一个科学问答基准，要求系统检索相关论文、定位支持性证据，并以多种格式生成经过验证的答案。
提出了一种用于施工文档约束检查的基于证据的流水线，评估了在专家参考任务中PDF证据分配的分辨率-广度权衡。
EarlyDx is a new large-scale benchmark for evaluating LLMs on open-ended, evidence-supported diagnosis generation at emergency department admission, built from 154,834 MIMIC-IV encounters. It reveals that even frontier and medical-specialized models struggle to synthesize admission-time evidence, with post-training only partially improving inference-dependent recall.
Scope3Trace 提出了一种基于证据的信息提取框架，利用大语言模型从可持续发展报告中识别和提取范围三温室气体排放，贡献了一个双层多模态数据集，实现了高精度的提取。
ResearchStudio-Idea 是一个技能套件，结合了文献搜索、新颖性检查和模式引导生成，能够产生可追溯的研究提案，该套件基于对1,947篇机器学习会议论文的分析构建而成。
Data2Story 是一个多智能体框架，能够将数据集转化为可验证的多模态故事，充当端到端的数据记者，具备证据支撑和多模态生成能力。
介绍 EHRNote-ChatQA，这是一个基于证据、覆盖多份出院小结的多轮临床问答基准，经专家验证构建。对 22 个大语言模型的基准测试揭示了在证据溯源和多轮错误累积方面的挑战。
本文介绍了 FullCite，一个用于生成结构化内联引用的框架，该框架能将每个声明同时链接到其源文档和具体的证据跨度。在三个问答基准（ASQA、BioASQ、ExpertQA）上评估后发现，虽然 LLM 在文档级归因方面表现良好，但在精确的证据跨度识别上仍有困难。
MedicalBench是一个新的基准测试，用于评估大型语言模型从电子健康记录中提取医学概念的能力，重点关注隐含推理和证据支撑。它包含823个专家标注的示例，并显示当前模型表现一般，突显了提取隐含表述的医学概念的难度。
本文提出了一种并行分块处理长文档的框架，利用LLMs减少累积偏差并提高证据可追溯性，显著降低了遗漏错误和无依据主张。