跳到正文
10月20日周二
  1. arXiv · NLP35

    REAP:通过递归评估与自适应规划增强多跳问答 RAG

    REAP 提出递归评估与自适应规划方法,显著优于现有 RAG 在域内外多跳推理任务中的表现。 其核心通过 Sub-task Planner 维持全局视角并动态优化轨迹,结合 Fact Extractor 从检索内容提取可靠线索,增强推理可靠性与可追溯性。 研究在 AAAI 2026 发表,验证了该方法在复杂多跳推理场景下的有效性。

  2. arXiv · NLP38

    跨领域评估大语言模型提示技术

    对 Zero-Shot、Few-Shot、RAG 及 PE2 优化进行的跨领域评估显示,无单一提示策略在所有任务中占优。 RAG 在 300 个检索示例下平均准确率达 78.33%,Few-Shot 在结构化推理任务表现较好。 研究建议应根据任务特征自适应选择提示技术,而非视为通用策略。

  3. arXiv · NLP35

    Cache2LoRA:理解并改进上下文内化

    Cache2LoRA 提出通过查询聚合冻结文档缓存证据再生成 LoRA 更新,在 17 项任务上宏平均 F1 达 0.663,接近全上下文学习的 0.671。 该方法仅对查询和记忆词尾进行可训练编码,256 token 输出时解码吞吐量达全上下文 ICL 的 5.9 倍,且在匹配内存下混合 F1 更优。

  4. arXiv · NLP31

    KEEP-Bench: 评估上下文压缩中的证据保留

    提出基准测试 KEEP-Bench,包含 4,102 个案例,用于直接评估上下文压缩的证据保留保真度。 该基准发现最佳开源模型(31B)在 100K+ token 上下文窗口下仅保留 66.8% 必需证据,最佳闭源模型仅保留 61.6%。 研究强调未来工作应侧重在小计算预算下构建具有强信息保留能力的压缩器,而非依赖扩大输出预算。

  5. arXiv · NLP22

    RESIN:基于实体结构化索引的多链推理方法

    RESIN 在 HolisQA 基准测试中实现 82.92 的上下文召回率和 76.70 的答案相关性,代码已开源。 方法将问题分解为单跳需求并检索证据至紧凑推理缓冲,消融实验证实类型化证据多样性和逐跳分解对推理有效性和可审计性的关键作用。

  6. arXiv · NLP25

    EpiLens:轻量级 RAG 用于流行病学知识获取

    EpiLens 是一个轻量级开源 RAG 工具包,用于流行病学文献映射。 基于 2,297 篇论文语料库,其分类器在 214 篇人工标注样本中匹配或超越有监督基线。 该工具显示 54% 的 R 值相关论文为模型驱动,远超致死风险研究的 22%。

  7. arXiv · NLP24

    大规模生物医学 RAG 研究:语料库扩展、文档表示与效率权衡

    大规模生物医学 RAG 评估显示,语料库扩展并未使小规模检索结论持续有效。RAG 在四个模型配置中的三个上提升外部基准分数最高 9.6 个百分点,在留出测试集上提升 10.2-30.3 分。 层级表示在多数端到端对比中匹配或优于平面全文检索,且索引单元减少 67%,存储空间减少 44-56%。

  8. arXiv · NLP22

    MapSteal:面向大语言模型的黑盒自主知识窃取框架

    MapSteal 提出一种学生无关的结构化递归知识窃取框架,通过教师提议方向自主扩展知识目标,无需学生反馈。 基于 Qwen3.5 系列 2B、4B 和 9B 模型在六个医疗与网络安全基准上验证,4B 医疗评测中 Full MapSteal 较简化递归变体平均准确率提升 1.17 个百分点。 实验表明该框架可行性但收益依赖具体领域与评测面板,代码已开源。

  9. arXiv · NLP30

    DiaLong:长对话中回顾记忆能力的基准测试

    约翰·霍普金斯大学提出 DiaLong 长上下文对话数据集,旨在定量评估 Transformer 架构 LLM 的记忆与回忆短板。 该数据集由 100 段经 LLM 增强的人类对话组成,核心任务为对 40 个候选事实进行真伪分类,以直接探测模型的主动保留与检索能力。 测试最新 LLM 及记忆增强方案后,论文指出当前模型记忆性能仍需提升,以改善长对话中的连贯性与类人交互体验。

  10. arXiv · NLP39

    搜索增强LLM在快速演变知识推理中的失败机制分析:TREK框架

    TREK框架揭示搜索增强LLM在快速演变知识推理中的主要瓶颈并非检索,而是检索后推理阶段。模型在获取所有必要信息后,仍易被相互矛盾的证据误导,导致最终回答错误。 研究构建了包含时间性、相关性及可信度干扰项的受控基准TREKBENCH-CTRL。结果表明,现有基准若主要由过时干扰项主导,会大幅低估任务难度,从而无法准确评估模型真实能力。

  11. arXiv · NLP24

    LLM 视角对齐评测基准 PerspectiveBench 与 PAS 指标发布

    研究人员提出 PerspectiveBench 基准及 Perspective Alignment Score (PAS) 指标,用于量化 LLM 的视角对齐能力。 该基准构建多路径并存的场景,实验显示 SOTA 模型虽能包含目标内容,但难以排除非请求视角。 研究发现 RAG 虽改善事实性,却无法解决视角偏移,模型仍优先全面覆盖而非严格约束。代码与数据已开源。

  12. arXiv · NLP39

    WorldStateMedia:涵盖1.36亿篇国家媒体文章的多语言开放数据集

    研究团队发布WorldStateMedia,这是一个包含1.36亿篇来自136个国家、114种语言国家媒体文章的开放数据集。 该数据集通过标注媒体受控级别来审计预训练语料库,发现2025年英文网络爬取中受编辑控制的国家媒体占比达93%。RAG实验表明,检索特定国家的国家媒体会显著使模型答案偏向该国的领土主张。

  13. arXiv · NLP42

    RPL 框架通过程序变异增强强化学习检索能力

    RPL 允许策略将检索基元组合成可执行程序,通过程序变异机制解决稀疏反馈下的探索难题。 使用 4B 模型在开放域问答中优于 8B 基线,在语料库推理任务中同时取得最高 F1 分数并显著降低上下文消耗。 证明了可编程搜索能扩展智能体可学习的检索策略,程序变异是探索有用程序结构的有效机制。

  14. arXiv · NLP33

    MisleadQA:诊断 LLM 在误导性上下文下的失效表现

    研究团队发布诊断数据集 MisleadQA,用于评估 LLM 在真实但偏离主题(out-of-scope)上下文下的表现。 测试六个开源 LLM 发现,仅提供偏离主题上下文 S 时错误率升至 29.3%,提供错误但在主题内上下文 F 时错误率高达 75.4%;即使加入正确上下文 G,F 仍导致 21.0% 的错误。 研究建议评测需检查上下文是否适用,并共同报告正确率、受误导率及弃权率。

  15. arXiv · NLP28

    法律检索中硬负样本重排序器训练:从 0.6B 扩展到 4B 的规模化研究

    在中国法律检索基准中,嵌入 Top-300 召回率已饱和,重排序器质量成为关键瓶颈。 训练后的 4B Stage2 重排序器在 STARD 和 CSAID 基准上优于原生 4B 模型,并在 410 个内部查询的偏好评估中胜出 72.4%。 该结果支持在工业检索系统中将检索与重排序阶段分开评估,以精准定位优化目标。

  16. arXiv · NLP33

    CoDA:面向领域文本标注的人机协作码本开发助手

    CoDA 是一款开源的人机协作代码本开发助手,帮助领域专家利用语言模型为无序文本的新变量制定标注指南。 通过迭代审查错误预测并整合专家反馈,该方法将代码本开发时间从数周缩短至 2 小时,所需人工标注样本减少 5 倍。 大规模应用 CoDA 生成标注,共识别出 2,410 条含健康讨论的无家可归者案例记录和 10,196 条涉及野生动物走私负面情绪的社媒帖子。

  17. AWS Machine Learning Blog37

    Amazon SageMaker JumpStart 2026 年度回顾:新增超 100 个模型,覆盖 30 家提供商

    2026 年 1 至 9 月,SageMaker JumpStart 新增超过 100 个模型,来自 30 家提供商。 重点纳入 Alibaba(Qwen)29 个模型、NVIDIA 17 个模型及 Mistral 7 个模型,支持 LoRA、SFT、DPO 等微调技术。 强化多模态与高效推理能力,提供量化模型如 GLM-5.2 FP8 和 MiniCPM5-1B。

10月19日周一
  1. 硅基流动73

    Open Notebook 开源,提供 4 万星的 NotebookLM 平替并默认接入硅基流动

    Open Notebook 在 GitHub 获得 4 万 Star,定位为开源、多模型且注重隐私的 NotebookLM 替代方案,支持全文与向量搜索、引用溯源及播客生成。

    推荐理由:Open Notebook 将多模型配置交给用户,并通过默认接入硅基流动,让知识库的部署、模型选择和隐私控制都可以按需组合。

  2. arXiv · NLP22

    EKLAV 通过仅监督答案的链式推理蒸馏提升重排序性能

    EKLAV 提出保留教师思维链作为上下文但仅监督最终答案的蒸馏方法,在 BRIGHT 榜单 nDCG@10 胜出 41/48 组对比。 该方案将部分推理轨迹移至提示词,训练计算减少 31.6%,推理时间减少 32.7%,超越全轨迹蒸馏 3.0 分。 方法无需学生生成数据或迭代反馈,适用于 pointwise 和 listwise 两种重排序架构。

  3. arXiv · ML26

    检索增强生成(RAG)技术的特征描述与分析框架

    研究提出一个概念框架,用于描述和分析现有检索增强生成(RAG)技术。 该框架基于对文献中RAG技术属性的定性分析,包含主要维度和子维度。 它可作为实证基准测试前的预过滤机制,帮助筛选最合适的RAG候选方案,以节省计算和财务成本。

  4. arXiv · NLP20

    门控多模态表征增强基于 RAG 的医疗视觉问答

    提出一种基于门控多模态单元(Gated Multimodal Unit)的 RAG 框架,用于医疗视觉问答(MVQA)。 该框架通过联合查询表征提取双模态证据,且保持底层医疗大视觉语言模型(Med-LVLM)冻结。在基准测试中,其性能一致优于参考模型,并与最先进方法具有竞争力。

  5. arXiv · NLP26

    SRCoT:边缘 LLM 上通过闭环检索-反思-修正管道实现证据基于文本生成

    提出 SRCoT 模块化架构,在 Apple M4 128GB 本地设备运行,将生成组织为闭环检索-反思-修正流程。 该架构分离环境状态与持久知识,利用 BM25 检索提供上下文,并生成缺失信息标记及声明-证据映射以支持决策。 研究显示其具备报告级可检查性与本地执行能力,但存在来源分配错误等局限,属于需人工审查的研究概念验证。

  6. arXiv · NLP35

    ReDiST:面向推理蒸馏的学生条件化轨迹构建框架

    ReDiST提出一种学生条件化轨迹构建与蒸馏框架,通过冻结的学生匹配读者筛选并排序轨迹候选,同时平衡轨迹与最终答案的监督信号。 该框架在问答基准实验中优于仅答案监督、原始轨迹及基线方法,且在源任务与跨基准测试中均提升了性能,强调了在分布间评估轨迹教学效用的重要性。