标签
微软 AI 推出 TalentRL，这是一种策略引导的强化学习框架，用于在大语言模型智能体的程序性记忆中进行分层路由，由粗粒度的“才能”指导细粒度技能的选择。该框架提高了七个问答基准上的成功率，并在采用 Qwen 和 Llama 作为骨干模型时，在 ALFWorld 上达到 99.3% 的成功率，在 WebShop 上取得 90.7 的得分。
提出 CLIK，一个上下文条件化的参数生成器，通过单次前向传播将上下文映射为 LoRA 参数，把知识内化到模型权重中，无需测试时梯度更新，在文档问答和多轮对话上优于现有超网络方法。
本文提出了一种基于标签保持扰动的输入歧义检测框架，先检测再消歧，包含黑盒规则库与白盒重要性引导两种检测器，在四类问答数据集上优于输出侧不确定性基线与LLM改写扰动基线。
提出证据状态校准（evidence-state calibration）概念与SuffiCE方法，通过微调模型下一token分布中的置信度，使其随证据变化而准确反映答对概率，在临床诊断和多跳问答上将Brier分数降低最高60%、AUROC提升最高0.16。
GEMS-RAG 是一个面向工程标准文档的图驱动多模态检索增强生成框架，通过层级解析、视觉实体抽取、多模态知识图谱构建与图驱动混合检索，在 MUTCD 数据集上相较文本、多模态和图基 RAG 基线提升了检索与问答效果。
MoveBench 引入了首个基于评分标准的基准测试，用于评估大语言模型在体育与健康教练领域的能力，涵盖安全性、科学有效性和个性化三个维度，包含选择题和开放式任务。对15个大语言模型在809道问题、5,012条评分标准上的评估结果显示，模型在安全意识和个性化方案设计方面存在显著不足。
论文提出联合约束聚合（JCA）方法，通过将问题要求表示为共享约束并逐一核对候选答案，缓解检索偏向导致的限定词敏感问答失败，在三种评测设置和多个指令微调模型上提升准确率。
本文提出了基于证据的生成（EBG）方法，结合Ans+Evid联合指标以及改进的基准（MultiHop-RAG、QASPER-MP），表明基于相似度的分块检索——而非阅读能力——才是前沿模型与开放权重LLM在长上下文多跳问答中的关键瓶颈。
本文作者探讨了RAG评估应如何区分系统回答"我不知道"的三种不同原因——检索失败、证据缺失和来源冲突——并提出了一种评估方法，该方法标注的是期望的未解决状态，而不是简单地将答案判定为正确、错误或拒绝回答。
提出一个无奖励、无裁判、无答案键的自改进代理框架，通过双层循环在小型精确DSL上进行算子归纳，实现精确问答能力的自我扩展，并在多个领域验证其可靠性与跨模型迁移能力。
该研究通过交叉验证证据与推理轨迹，探讨答案配置（续接自身思考 vs. 独立答案调用）如何影响模型对证据的遵循。结果表明独立调用在证据遵循上比续接高出29.9至60.6个百分点，但两者在去除轨迹后的准确率下降幅度相近，说明从轨迹中获益与顺从轨迹是两种不同属性。
该论文提出了 Knowledge Transfer Probing (KTP) 协议，研究通过图像生成训练是否能扩展预训练统一多模态模型的知识，并引入文本对齐与图文交错对齐方法以提升文本端知识访问能力。
JevGPT：自主研究中的快慢思维 提出了一种用于自主研究的双系统架构，将快速的证据处理（系统一）与审慎的研究规划（系统二）耦合，在固定语料问答和文档排序任务上实现了领先的性能，同时比同类研究代理更快、成本更低。
提出CofFeQA，一种基于反事实样本的少样本知识蒸馏方法，用于开放域问答任务；在TriviaQA等基准上，相比仅用事实样本的蒸馏基线在T5设置下以32个少样本对提升约8.77 EM和9.98 F1分。
研究人员推出了 GeopoliticalQA，这是一个基于 415 份地缘政治与战略情报报告、包含 5,525 个问答对的基准，用于评估 15 个检索系统和六个开放权重的大语言模型。他们发现，在文本块级检索中，中等规模的编码器 bge-m3 的表现可媲美或超越规模大得多的嵌入模型及商业嵌入模型，而对于推理类和风险导向的问题，即使提供标准证据，答案生成仍然困难。
ArcticQA/ArcticAbstain 提出了一套数据集与配套基准，用于评估大模型在北极科学多选题上能否恰当地选择弃答。研究发现，不同基线模型之间表现差异显著，而在移除正确答案的情况下，弃答率仅小幅提升。
论文提出了一种流水线，可自动生成基于本体且经推理器验证的多选题基准，用于评估大语言模型在科学人工智能中的逻辑推理能力；该方法在三个本体（Pizza、PMDco、DOID）和六个大语言模型上进行了验证。
一项消息干预研究表明，在推理模型与验证模型之间传递的推理链（rationales）几乎不会提高答案准确率，却会显著改变其对证据支持的判断——尤其是在推理链被破坏时。这暗示推理链共享应作为验证机制而非准确率提升手段来评估。
该论文研究了在单语检索增强生成（RAG）中推理语言与查询/检索文档语言对齐的作用，构建了一个基于虚构桌游世界《The Dark Eye》的德语RAG问答测试集，发现对齐推理语言能提升表现，但仅能达到模型原生英语推理的水平。
HalluScoring 2026 推出了首个面向阿拉伯语问答的 LLM 幻觉检测与事实验证共享任务，共有 13 支队伍参与四个子任务的角逐，涵盖二元幻觉检测以及在 HalluScore 和 HalluTruthQA 数据集上的答案选择。