问答系统

研究者提出一种显式可审计的因果推理框架，通过目标感知因果图构建策略，提升大模型在干预性问答中的推理透明度和鲁棒性。

研究人员提出LAPO方法，通过后向单轮归因技术为多轮搜索推理生成过程监督奖励，无需额外奖励模型即可评估中间步骤贡献。

研究人员推出LakeQuest基准测试，包含近万个人工验证的问答对，覆盖AI/ML、零售银行和生物医学三大领域，揭示现代问答系统在真实数据湖环境中的关键缺陷。

研究者推出CANDI-QA数据集，专门评估大语言模型在医疗、金融等专业领域的上下文对齐与用户感知能力。评测显示当前模型在专业领域仍面临显著挑战。

研究者发布CLIR-Bench基准，专门评估AI模型在稀疏、不规则采样的临床时间序列数据上进行问答推理的能力，填补了现有医学AI评测的空白。

研究人员提出MultAttnAttrib方法，无需额外训练即可为多模态长文档问答系统生成精确证据溯源，同时发布首个专门评估多模态溯源的基准数据集。

研究者提出OPI框架，通过引入关系中心的本体图来捕获关系约束，结合双向检索与迭代优化策略，显著减少搜索空间并提升多跳知识图谱问答的准确率。

研究者提出Hybrid-IR框架，通过图检索与密集检索双路径结合迭代推理机制，有效解决复杂医学问答中知识碎片化与推理深度不足的问题。

研究人员提出了一种面向专业问答论坛的优化调度模型，通过智能分配问题给领域专家，提升系统处理能力并保持稳定性。