AKIBoards: A Structure-Following Multiagent System for Predicting Acute Kidney Injury
University of California, Los Angeles(加州大学洛杉矶分校)
提出遵循结构的多智能体框架STRUC-MAS,通过学习全局模型作为智能体先验信念,在急性肾损伤预测任务中提升了多智能体共识驱动的诊断推理与分类性能。
2025-04-29 cs.AI cs.LG cs.MA
CPM-MultiAgent: A CPM-Grounded Appraisal Framework for Simulating Dynamic Patient Emotional Evolution in Healthcare Dialogue
National Centre for Computer Animation(国家计算机动画中心);Information Hub(信息中心);Key Laboratory of Child Cognition & Behavior Development of Hainan Province(海南省儿童认知与行为发展重点实验室);Chief Technology Officer(首席技术官);School of Health and Care(健康与护理学院)
针对基于角色对话中情感模拟的局限,借鉴CPM理论提出CPM - MultiAgent框架,通过情感触发提取、协作评估和状态更新实现情感一致的角色模拟,经多种实验验证能有效模拟动态情感演变。
2026-11-16 cs.AI cs.MA
AgenticAD: A Specialized Multiagent System Framework for Holistic Alzheimer Disease Management
University of Missouri-Columbia(密苏里大学哥伦比亚分校)
本文提出AgenticAD框架,利用八个专业化AI智能体协作,整合照护支持、数据分析与多模态工作流,以实现阿尔茨海默病的全面管理,改善患者预后并减轻照护负担。
2025-09-01 cs.AI cs.HC cs.MA
SimCRAFT: Distilling Remote Sensing Agents via Synthetic Trajectories and Contextual Retrieval-Augmented Fine-Tuning
Aerospace Information Research Institute, Chinese Academy of Sciences(中国科学院空天信息创新研究院);University of Chinese Academy of Sciences(中国科学院大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Helmholtz-Zentrum Dresden-Rossendorf(德累斯顿-罗森多夫亥姆霍兹中心)
本研究提出SimCRAFT框架,通过合成轨迹与上下文检索增强微调,将复杂遥感编排能力蒸馏到7B模型,性能优于开源LLM,为轻量遥感智能提供开源基线。
2026-09-07 cs.AI cs.MA
IMACT-CXR: An Interactive Multi-Agent Conversational Tutoring System for Chest X-Ray Interpretation
University of Houston(德克萨斯大学休斯敦分校);Emory University(埃默里大学)
IMACT-CXR通过整合空间标注、注视分析、知识检索和图像基础推理,构建了一个基于AutoGen的工作流,帮助学员提升胸部X光解读能力,实现了精准的教学反馈与知识强化。
2026-04-16 cs.AI
ADEPT: An Entropy-Driven Dual-Strategy Agent for Interactive Video Retrieval
提出ADEPT框架,通过熵驱动的决策引擎动态选择ASK或REFINE策略,解决用户意图与查询之间的鸿沟,在交互式视频检索中显著超越现有基线。
2026-05-07 cs.AI cs.IR
Individual Planning in Agent Populations: Exploiting Anonymity and Frame-Action Hypergraphs
University of Georgia(佐治亚大学)
交互式部分可观察马尔可夫决策过程(I-POMDP)提供了一个正式的框架规划的多智能体设置中的一个自我利益的代理。在多智能体环境中运行的智能体必须考虑其他智能体可能采取的行动以及这些行动对环境的影响和它所获得的奖励。传统的I-POMDP模型依赖于其他代理的行动,使用联合行动和模型空间。因此,解决方案的复杂性随着代理的数量呈指数级增长,从而使可扩展性变得复杂。在本文中,我们的模型和扩展的匿名性和上下文特定的独立性-问题结构往往存在于代理人口-计算增益。我们实证证明了利用这些问题结构的效率,通过解决一个新的多智能体问题,涉及1,000多个代理。
2015-04-02 cs.AI cs.GT cs.MA
Balancing Reinforcement Learning Training Experiences in Interactive Information Retrieval
Georgetown University(乔治城大学)
交互式信息检索(IIR)和强化学习(RL)有许多共同点,包括在交互时学习的代理,长期而复杂的目标以及探索和适应的算法。为了成功地将强化学习方法应用于IIR,一个挑战是获得足够的相关标签来训练强化学习代理,这是众所周知的样本效率低下。然而,在针对给定查询注释的文本语料库中,占主导地位的不是相关文档,而是不相关文档。这将导致代理的训练经验非常不平衡,并阻止它学习任何有效的策略。我们的论文通过使用域随机化来合成更多相关文档以进行训练来解决这个问题。我们在Text Retrieval Conference(TREC)Dynamic Domain(DD)2017 Track上的实验结果表明,该方法能够将RL agent的学习效率提高22%,以处理未知情况。
2021-06-09 cs.AI cs.IR
What Should We Ask Next? Retrieval-Aware Question Learning for Interactive ReID
针对部分证据下的交互式检索,提出检索感知在线强化学习框架RAVEL,通过排名反馈优化问题策略,在行人重识别任务中逐步提升检索性能。
2026-09-29 cs.AI
Exploiting Model Equivalences for Solving Interactive Dynamic Influence Diagrams
Aalborg University(奥尔堡大学);University of Georgia(佐治亚大学)
我们专注于在部分可观察的环境中与其他代理的不确定类型具有类似或冲突的目标共享的顺序决策的问题。这个问题以前已经正式由多个框架,其中之一是交互式动态影响图(I-DID),它概括了众所周知的影响图的多智能体设置。I-DID是图形模型,可用于计算代理的策略,给定其对物理状态和其他模型的信念,其随着代理在多代理设置中的行为和观察而变化。正如我们所料,解决I-DID在计算上是困难的。这主要是由于归因于其他代理的候选模型的大空间及其随时间的指数增长。我们提出了两种方法来减少模型空间的大小,并阻止其指数增长。这两种方法都涉及将单个模型聚合到等价类中。我们的第一种方法将行为等价的模型分组在一起,只选择那些在更新后的模型空间中会产生与其他模型不同的预测行为的模型进行更新。第二种方法通过关注行为预测的部分来进一步压缩模型空间。具体来说,我们集群动作等效模型,规定在一个单一的时间步相同的行动。准确地识别等价性需要我们求解初始集合中的所有模型。我们通过选择性地求解某些模型来避免这种情况,从而引入近似值。我们讨论了近似引入的误差,并实证证明了由于等价性而提高了求解I-DID的效率。
2014-01-18 cs.AI
V-Agent: An Interactive Video Search System Using Vision-Language Models
Korea Advanced Institute of Science and Technology(韩国科学技术院)
V-Agent通过多智能体协作和视觉-语言模型提升视频搜索性能,实现多模态交互与零样本性能。
2026-01-07 cs.AI cs.CV cs.IR
Simple Baselines for Interactive Video Retrieval with Questions and Answers
Princeton University(普林斯顿大学);University of Cambridge(剑桥大学)
针对现有交互式视频检索方法复杂、性能提升有限的问题,研究提出几种简单有效的问答式交互基线,用VideoQA模型模拟用户交互,无需真实对话数据即可开展研究,在多个数据集上显著提升了文本视频检索性能。
2023-08-21 cs.AI cs.CL cs.CV
Dialog-based Interactive Image Retrieval
IBM Research AI(IBM人工智能研究院);Fusemachines Inc.(福赛机器公司)
现有的交互式图像检索方法具有整合用户反馈、提高检索效果的优点。然而,大多数当前系统依赖于受限形式的用户反馈,例如二进制相关性响应,或基于固定的相对属性集的反馈,这限制了它们的影响。在本文中,我们介绍了一种新的交互式图像搜索方法,使用户能够通过自然语言提供反馈,允许更自然和有效的互动。我们制定了基于对话框的交互式图像检索的任务作为一个强化学习问题,并奖励对话系统在每个对话轮提高目标图像的排名。为了减轻对话系统学习时收集人机对话的繁琐和昂贵的过程,我们用用户模拟器训练我们的系统,该用户模拟器本身经过训练以描述目标图像和候选图像之间的差异。我们的方法的有效性证明在鞋类检索应用程序。在模拟和真实数据上的实验表明:1)我们提出的学习框架比其他监督和强化学习基线具有更好的准确性; 2)基于自然语言而不是预先指定的属性的用户反馈导致更有效的检索结果,以及更自然和表达的通信界面。
2018-12-20 cs.AI cs.CV
XGraphRAG: Interactive Visual Analysis for Graph-based Retrieval-Augmented Generation
State Key Lab of CAD&CG, Zhejiang University(浙江大学计算机辅助设计与图形学国家重点实验室)
针对GraphRAG因处理管线复杂、LLM调用量大导致的可解释性与易用性不足问题,提出可视化分析框架并开发原型系统XGraphRAG,通过交互式可视化辅助识别关键召回、追踪流程、收集失败案例,经验证有效且可用,已开源。
2025-06-10 cs.AI cs.IR
Monte Carlo Sampling Methods for Approximating Interactive POMDPs
University of Georgia(佐治亚大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
部分可观测马尔可夫决策过程(POMDPs)提供了一个原则性的框架,顺序规划在不确定的单代理设置。POMDP的扩展到多智能体设置,称为交互式POMDP(I-POMDP),取代POMDP的信念空间与交互式层次的信念系统,代表一个代理人的信念,对物理世界,对其他代理人的信念,以及对他们的信念对他人的信念。这种修改使得由于信念和政策空间的复杂性而获得解决方案的困难变得更加尖锐。我们描述了一种基于粒子滤波(PF)的I-POMDPs的近似解的一般方法。我们引入了交互式PF,它降低了交互式信念层次结构和样本的水平,并在每个级别上传播信念。交互式PF能够降低信念空间复杂度,但不能解决策略空间复杂度。为了减轻政策的空间复杂度-有时也被称为历史的诅咒-我们利用一个互补的方法的基础上采样可能的意见,同时建立前瞻可达树。虽然这种方法不能完全解决历史的诅咒,但它大大削弱了诅咒的影响。我们提供实验结果和图表未来的工作。
2014-01-15 cs.AI
Unified Interactive Multimodal Moment Retrieval via Cascaded Embedding-Reranking and Temporal-Aware Score Fusion
本文提出通过级联嵌入-重排序和时间感知得分融合实现统一的多模态时刻检索系统,解决跨模态噪声、时间序列连贯性和模态选择问题。
2025-12-15 cs.AI cs.CV cs.IR
Dually Interactive Matching Network for Personalized Response Selection in Retrieval-Based Chatbots
University of Science and Technology of China(中国科学技术大学);Queen’s University(女王大学);iFLYTEK Research(科大讯飞研究院)
本文提出了一种双重交互式匹配网络(DIM),用于呈现基于检索的聊天机器人中对话代理的个性。该模型是在交互式匹配网络(IMN)的基础上发展起来的,IMN对由多个话语组成的上下文与候选响应之间的匹配程度进行建模。与以往的人物角色融合方法相比,DIM模型采用了双重匹配结构,分别在响应与上下文、响应与人物角色之间进行交互式匹配,对候选响应进行排序。在PERSONA-CHAT数据集上的实验结果表明,DIM模型优于其基线模型,即,IMN与人物角色融合,由14.5%的利润率,并优于目前的国家的最先进的模型,由利润率27.7%的前1名的准确性命中@1。
2020-02-01 cs.AI cs.CL
Diffusion Augmented Retrieval: A Training-Free Approach to Interactive Text-to-Image Retrieval
Hunan University(湖南大学);University of Glasgow(格拉斯哥大学)
针对交互式文本到图像检索中微调多模态大语言模型成本高且泛化差的问题,提出免训练框架DAR,利用扩散模型和LLM对话细化生成中间表示,在复杂查询上表现更优。
2025-07-10 cs.AI cs.CV cs.IR
InteractiveSurvey: An LLM-based Personalized and Interactive Survey Paper Generation System
The Hong Kong Polytechnic University(香港理工大学);Huawei Technologies Co., Ltd(华为技术有限公司)
针对人工撰写综述耗时费力、现有LLM方法缺乏个性化的问题,提出InteractiveSurvey系统,结合在线检索与用户上传参考文献,支持用户通过直观界面定制中间组件,生成结构化多模态综述,在内容质量和时间效率上均优于多数现有方法。
2025-03-31 cs.AI cs.IR
TopoMAS: Large Language Model Driven Topological Materials Multiagent System
Computer Newwork Information Center,Chinese Academy of Sciences(中国科学院计算机网络信息中心);China University of Mining & Technology-Beijing(中国矿业大学(北京))
本文提出TopoMAS多智能体系统,通过智能体编排与自演化知识图谱实现拓扑材料发现全流程自动化,发现新型拓扑相SrSbO3,并以轻量级模型实现高效准确的性能。
2025-07-05 cond-mat.mtrl-sci cs.AI
RAG Without the Lag: Interactive Debugging for Retrieval-Augmented Generation Pipelines
University of Pittsburgh(匹兹堡大学);UC Berkeley(加州大学伯克利分校)
针对RAG管道开发中组件交织难定位错误、参数更改预处理慢的问题,提出结合可组合RAG原语Python库与实时调试界面的RAGGY工具,贡献其设计实现、专家调试模式见解及未来RAG工具设计启示。
2025-04-18 cs.AI cs.HC
Dependency-based Text Graphs for Keyphrase and Summary Extraction with Applications to Interactive Content Retrieval
我们在基于神经网络的机器学习和基于图的自然语言处理之间建立了一座桥梁,并通过聚合来自基于深度学习的依赖解析器提供的链接的依赖图,引入了一种统一的关键词、摘要和关系抽取方法。我们重新组织依赖图,以关注句子中最相关的内容元素,将句子标识符集成为图节点,并在对图进行排名后,从其最大的强连接组件中提取关键词和摘要。我们利用依存关系带来的隐含结构信息来提取主语-动词-宾语、是-a和部分-of关系。我们将所有这些放在一个概念验证对话引擎中,该引擎专门针对查询的文本图,并以交互方式显示文档中最相关的内容元素。该集成系统的开放源代码可在https://github.com/ptarau/DeepRank上查阅。保留字:基于图的自然语言处理、依赖图、关键短语、摘要和关系抽取、查询驱动的显著句子抽取、基于逻辑的对话引擎、神经和符号处理之间的协同。
2019-09-20 cs.AI
MADTempo: An Interactive System for Multi-Event Temporal Video Retrieval with Query Augmentation
Hanoi University of Science and Technology(河内科技大学);The University of Danang - University of Science and Technology(丹江-科技大学);Vietnam National University(越南国家大学)
MADTempo通过结合时序搜索与网络视觉定位,提升多事件视频检索的时序推理和泛化能力,增强对罕见视觉概念的检索鲁棒性。
2025-12-15 cs.AI cs.CV
Conjecture and Inquiry: Quantifying Software Performance Requirements via Interactive Retrieval-Augmented Preference Elicitation
School of Computer Science and Engineering, UESTC(电子科技大学计算机科学与工程学院);IDEAS Lab, University of Birmingham(英国伯明翰大学IDEAS实验室)
本文提出IRAP方法,通过交互式检索增强偏好获取将软件性能需求转化为数学函数,实验表明其在五个交互回合内实现最高40倍的性能提升。
2026-04-27 cs.AI cs.CL cs.SE
QAgent: A modular Search Agent with Interactive Query Understanding
Alibaba(阿里巴巴)
针对传统RAG和RL搜索智能体的不足,提出QAgent模块化搜索智能体框架,通过交互式查询理解和RL训练优化检索,提升问答性能并支持即插即用部署。
2025-10-09 cs.AI
StackRAG Agent: Improving Developer Answers with Retrieval-Augmented Generation
University of British Columbia(不列颠哥伦比亚大学)
针对开发者检索信息耗时、大语言模型生成答案易出现幻觉的问题,提出基于大语言模型的检索增强多智能体工具StackRAG,聚合Stack Overflow知识提升答案可靠性,初步验证效果良好。
2024-06-19 cs.AI cs.CL
Corpus-Level End-to-End Exploration for Interactive Systems
Georgetown University(乔治城大学)
构建人工智能(AI)代理的核心兴趣是让它们与人类交互并帮助人类。一个例子是动态搜索(DS),它模拟了人类与搜索引擎代理合作完成复杂和面向目标的任务的过程。早期使用强化学习(RL)的DS代理只取得了有限的成功,因为(1)它们缺乏对返回哪些文档的直接控制,以及(2)难以从错误的搜索轨迹中恢复。在本文中,我们提出了一种新的语料库级端到端的探索(CE3)方法来解决这些问题。在我们的方法中,整个文本语料库被压缩成一个全球性的低维表示,这使得代理获得访问完整的状态和动作空间,包括未开发的领域。我们还提出了一种新形式的检索函数,其线性近似允许端到端的文档操作。在文本检索会议(TREC)动态域(DD)跟踪上的实验表明,CE3优于最先进的DS系统。
2021-06-09 cs.AI cs.IR
AiSearch: Interactive Multi-Modal Search with VLMs
Institute of Advanced Intelligence and Computing (IAIC), Agency for Science, Technology and Research (A*STAR)(科技研究局(A*STAR)高级智能与计算研究所(IAIC))
AiSearch是一个利用视觉语言模型零样本能力进行图像和视频自然语言搜索的交互式多模态检索框架,支持用户反馈优化和跨模型基准测试。
2026-10-02 cs.AI cs.CV
Sticker820K: Empowering Interactive Retrieval with Stickers
Tencent AI Lab(腾讯人工智能实验室);IPS Search, Tencent PCG(腾讯平台与内容事业群IPS搜索部)
该研究提出大规模中文表情包数据集Sticker820K及基准模型StickerCLIP,提升了文本到图像表情包检索性能,还通过提示调优扩展LLM的指令式表情包检索能力且不影响上游任务。
2023-06-12 cs.AI cs.CV
Learning to Retrieve Videos by Asking Questions
UNC Chapel Hill(北卡罗来纳大学教堂山分校)
大多数传统的文本到视频检索系统在静态环境中操作,即,除了用户提供的初始文本查询之外,用户和代理之间没有交互。如果初始查询有歧义,这可能是次优的,这将导致许多错误检索的视频。为了克服这一局限性,我们提出了一种新的框架,视频检索使用对话框(ViReD),它使用户能够通过多轮对话与人工智能智能体,其中用户通过回答由人工智能智能体产生的问题,细化检索结果进行交互。我们新型的多模式问题生成器学会提出问题,以最大限度地提高后续视频检索性能,使用(i)在与用户的最后一轮交互期间检索到的视频候选项和(ii)记录所有之前交互的基于文本的对话历史,以生成包含问题与视频检索相关的视觉和语言线索。此外,为了最大限度地生成信息问题,我们提出了一个信息引导监督(IGS),它引导问题生成器提出问题,这将提高后续的视频检索准确性。我们验证了我们的交互式ViReD框架的AVSD数据集的有效性,表明我们的交互式方法的性能显着优于传统的非交互式视频检索系统。我们还证明,我们提出的方法一般化到现实世界的设置,涉及与真实的人的互动,从而证明了我们的框架的鲁棒性和通用性
2022-07-16 cs.AI cs.CL cs.CV
KAG-Thinker: Interactive Thinking and Deep Reasoning in LLMs via Knowledge-Augmented Generation
Inclusion AI Ant Group(Inclusion AI蚂蚁集团)
本文提出KAG-Thinker框架,通过轻量级LLM驱动的多轮交互思考与深度推理,将复杂问题分解为子问题并分类检索与推理,利用知识边界与深度求解模块增强逻辑连贯性与知识获取。
2025-06-30 cs.AI cs.CL
Scene Graph based Image Retrieval -- A case study on the CLEVR Dataset
Indian Institute of Technology, Madras(马德拉斯印度理工学院);IBM Research Labs, Bangalore(IBM研究院班加罗尔实验室);Indian Institute of Technology, Bombay(孟买印度理工学院)
随着多通道交互在各个领域的广泛应用,基于文本的图像检索在计算机视觉领域引起了广泛的兴趣。然而,大多数最先进的技术模型这个问题在一个纯粹的神经方式,这使得它很难将语用策略在搜索一个大规模的目录,特别是当搜索要求是不够的,模型需要诉诸于一个交互式的检索过程,通过多次迭代的问答。出于这一动机,我们提出了一个神经符号的方法,从一个大规模的目录,给定的标题描述的图像的一次性检索。为了便于实现这一点,我们将目录和标题表示为场景图,并将检索任务建模为可学习的图匹配问题,并使用REINFORCE算法进行端到端训练。此外,我们简要地描述了这个管道的迭代检索框架的扩展,基于交互式的提问和回答。
2019-11-03 cs.AI cs.CL cs.CV
RAGE Against the Machine: Retrieval-Augmented LLM Explanations
University of Waterloo(滑铁卢大学);York University(约克大学)
本文提出RAGE,一个交互式工具,通过反事实分析和剪枝方法解释检索增强的大语言模型,帮助用户识别影响答案的关键上下文并查看答案来源。
2024-05-11 cs.AI cs.CL cs.IR
Scalable and Explainable Enterprise Knowledge Discovery Using Graph-Centric Hybrid Retrieval
Persistent Systems
针对企业异构系统中复杂查询检索困难的问题,提出集成KBLam、DeepGraph和语义搜索的模块化混合检索框架,构建统一知识图谱支持多跳推理,实验显示答案相关性较GPT基线提升达80%。
2025-10-13 cs.AI cs.DB
Retrieval Meets Reasoning: Dynamic In-Context Editing for Long-Text Understanding
Tsinghua University(清华大学);Huawei Technologies Co., Ltd.(华为技术有限公司)
针对大语言模型上下文长度受限难以进行长文本多跳推理的问题,提出动态上下文内编辑方法,将长文本视为可塑外部知识交互式整合信息,提升受限模型推理性能且降低成本。
2024-06-18 cs.AI cs.CL
Learning a Policy for Opportunistic Active Learning
University of Texas at Austin(德克萨斯大学奥斯汀分校)
主动学习识别要标记的数据点,这些数据点预计对改进监督模型最有用。启发式主动学习将主动学习结合到交互任务中,该交互任务在交互期间约束可能的查询。先前的工作已经表明,机会主义主动学习可以用于改善交互式对象检索任务中的自然语言描述的基础。在这项工作中,我们使用强化学习这样的对象检索任务,学习一个政策,有效地权衡任务完成与模型改进,将有利于未来的任务。
2018-08-29 cs.AI cs.CL cs.CV
GRAIL:Learning to Interact with Large Knowledge Graphs for Retrieval Augmented Reasoning
GRAIL通过结合LLM引导的随机探索与路径过滤,建立数据合成管道,学习动态决策策略,提升知识图谱检索的精度与简洁性平衡,实验表明在三个知识图谱问答数据集上准确率和F1值分别提升21.01%和22.43%。
2026-04-21 cs.AI
Boosting Search Engines with Interactive Agents
ETH Zurich(苏黎世联邦理工学院);Google Research(谷歌研究院)
本文介绍了第一个成功的步骤,在设计搜索代理,学习元策略迭代查询细化信息搜索任务。我们的方法使用机器阅读来指导从聚合搜索结果中选择细化术语。然后,代理被赋予简单但有效的搜索操作符,对查询和搜索结果进行细粒度和透明的控制。我们开发了一种生成合成搜索会话的新方法,该方法通过(自)监督学习利用基于transformer的语言模型的功能。我们还提出了一个强化学习代理与动态约束的行动,从头开始学习交互式搜索策略。我们的搜索代理获得检索和答案质量性能与最近的神经方法相当,只使用传统的基于术语的BM 25排名功能和可解释的离散重新排名和过滤操作。
2022-06-07 cs.AI cs.CL cs.IR
A Response Retrieval Approach for Dialogue Using a Multi-Attentive Transformer
LINKS Foundation(LINKS基金会);Politecnico di Torino(都灵理工大学)
本文介绍了我们的工作,第九版的对话系统技术挑战(DSTC 9)。我们的解决方案解决了第四个问题:模拟交互式多模态对话。该任务包括提供一种算法,能够模拟一个购物助理,支持用户与他/她的请求。我们解决的响应检索的任务,这是检索最合适的代理响应从响应候选池的任务。我们的方法利用神经架构的基础上Transformer与多注意力结构,条件的代理对用户的请求和用户所指的产品的响应。SIMMC时尚数据集上的最后实验表明,我们的方法实现了第二个最好的分数,所有的检索指标由组织者定义。源代码可在https://github.com/D2KLab/dstc9-SIMMC上获得。
2020-12-15 cs.AI cs.CL
BioRAGent: A Retrieval-Augmented Generation System for Showcasing Generative Query Expansion and Domain-Specific Search for Scientific Q&A
University of Regensburg(雷根斯堡大学)
BioRAGent是一个基于网络的检索增强生成系统,利用大型语言模型进行查询扩展和片段提取,支持生物医学问答,通过引用链接保证透明度,并展示了少样本学习在专业搜索中的有效应用。
2024-12-16 cs.AI cs.CL
From Entity-Centric to Goal-Oriented Graphs: Enhancing LLM Knowledge Retrieval in Minecraft
本文提出目标导向图(GoG)框架,通过构建目标依赖关系图提升LLM在Minecraft中的步骤推理能力,实验表明其优于GraphRAG等方法。
2026-03-12 cs.AI
REAL-Prover: Retrieval Augmented Lean Prover for Mathematical Reasoning
Peking University(北京大学);Renmin University of China(中国人民大学);Ubiquant(Ubiquant公司);Beijing International Center for Mathematical Research(北京国际数学研究中心)
REAL-Prover基于检索增强的Lean证明器,通过微调大型语言模型和检索系统,在数学推理任务中取得显著性能提升。
2025-11-24 cs.AI cs.CL cs.LG
RocqStar: Leveraging Similarity-driven Retrieval and Agentic Systems for Rocq generation
JetBrains Research(JetBrains研究)
RocqStar通过结合相似性驱动检索和智能体系统,显著提升Rocq证明生成的性能和稳定性。
2026-01-26 cs.AI cs.LG cs.LO