标签
本文提出了工具使用型 Agent 中的水平主动性与垂直主动性，并提出 Q&D 一种训练方法，在无需奖励模型或评委的情况下，通过奖励提问者获取所需证据的能力进行训练。在多跳问答基准和模拟客服场景中，训练后的提问者在三个基准中的两个上胜过了规模是其 15 倍的提示模型，表明 Agent 追求什么信息以及何时停止，与其是否未经提示就行动同样重要。
本文介绍了 Grounded Entity Biographies (GEB)，一种用于增强长视频记忆以跨事件跟踪实体的框架，在问答基准测试中展示了性能的提升。
本文提出一种基于知识图谱的评估框架，用于评估大型语言模型在问答任务中的上下文理解能力，并引入一种新的相似度度量S3KG，该度量在性能上优于现有的基线方法。
文章提出了 HiCoMER，一个用于 LLM 代理的分层协作记忆管理框架，该框架通过提升有效性感知检索，减少过时记忆并增强问答质量。
本文通过分离图导航能力，对KGQA中的小型语言模型进行超越答案准确率的评估，结果显示路径保真度存在显著差异，并强调需要更广泛的评估指标。
UniDataAgent 是一个基于本体的代理系统，专为企业问答到报告自动化设计，通过将语义获取与在线执行分离，提高效率和准确性，正如在中国联通的部署中所展示的。
本文介绍了 Question's Gambit，一个首次移动检索模块，通过分解问题并提供排名上下文来提高深度研究代理在迭代搜索前的性能，在 BrowseComp-Plus 上显示出显著的准确率提升。
本文介绍了Hallucination-R1，一个面向鲁棒性的改写生成框架，旨在通过创建语义等价但具有挑战性的改写来识别并提升大型语言模型中的事实一致性。
VisPath 引入了一种视觉意图引导的路径推理框架，用于多模态知识图谱问答，在新的基准 VisPath-Bench 和现有数据集上取得了显著改进，超越了基线方法。
PhysioBench引入了一个统一的生理信号问答基准，整合22个数据集成6140万道问题，涵盖30项任务，以评估各种AI模型的性能。
这条推文推广了 AskJev.net，这是一个网络服务，允许用户向名为 Jev 的 AI 提问并获取答案，集成了 TypeSafe 的 AI 工具。
本文提出VisKG-LM，一种将知识图谱编译为视觉记忆以进行高效多项选择题问答的方法，通过将图编码与语言推理解耦，在基线上实现性能提升。
CapMem 是一个用于第一人称视频情景记忆的人工标注基准测试，使用字幕进行标注。研究表明，在长视频上，基于字幕的问答性能优于直接视频问答。
本文对知识图谱增强和检索增强生成在文化特定问答中的表现进行了基准测试，使用LatamQA数据集展示了在拉丁美洲文化数据上的显著错误减少。
NepKANUN 是一款基于RAG的面向尼泊尔的法律助手，利用RAG和微调后的LLaMA 3.2 3B模型为法律查询提供准确答案，并经专家评审验证。
ORQA是一个框架，用于从可信来源生成职业现实的问题-答案对，以评估LLM的专业知识，涵盖116个职业并测试了15个模型，其中顶级模型如Claude Opus 4.6和GPT-5.4达到了约58-62%的准确率。
本文详细介绍了Eloquence团队在Interspeech 2026 MLC-SLM挑战赛任务2中的方法，该任务涉及使用语音LLMs进行多语言多选问答，结合微调、上下文学习和检索系统。
本文提出了保形相关性框架，该框架利用上下文学习和集成方法，在通过保形预测维持覆盖率保证的同时，提升自然语言处理任务的简洁性。
APEx是一种分层经验利用框架，它将代理历史组织为记忆和技能，并通过闭环架构来提升深度研究问答的能力，实现了超越GPT-5.4的最先进性能。
本文提出了一种潜在空间干预方法，用于改善大型语言模型中的跨语言事实一致性，在不损失事实精度的情况下实现更好的对齐。