CAR方法提出：校准修复提升金融问答准确性

针对金融问答中自我验证失效的问题，研究团队提出校准答案修复（CAR）方法。该方法通过评估修复收益并严格限制编辑范围，旨在避免无差别修订破坏模型原本正确的答案，从而提高修复过程的精准度。 在FinRank、Fin-RATE和FinQA三个数据集上，研究结合三种开源权重模型进行了测试。结果显示，CAR在所有数据集与模型的组合设置中，均优于通用的验证方法，展现了其在金融领域问答修复中的有效性。 此外，CAR方法在计算效率上也表现出优势。其生成草稿后的Token成本，比迭代修订的替代方案高出30%以上。这为在资源受限场景下应用金融问答修复提供了更具成本效益的选择。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。