Asking Clarification Questions to Handle Ambiguity in Open-Domain QA
Seoul National University(首尔大学);Chung-Ang University(中央大学);NAVER AI Lab(NAVER AI实验室);NAVER Cloud(NAVER云);University of Richmond(里士满大学);KAIST AI(韩国科学技术院人工智能研究所);Samsung Electronics Mobile eXperience(三星电子移动体验部门)
针对开放域问答中的歧义问题,提出通过提问澄清问题来识别用户意图,构建了CAMBIGNQ数据集并设计了任务流程与评估指标,取得了61.3和40.5的F1分数作为基线。
2023-10-25 cs.CL
When and What to Ask: AskBench and Rubric-Guided RLVR for LLM Clarification
University of Illinois Chicago(伊利诺伊大学香槟分校)
本文研究如何评估和改进LLM在缺乏关键信息或包含误导信息时的澄清能力,提出AskBench交互基准和基于规则的强化学习与验证器(RLVR)方法,提升准确性和交互效率。
2026-04-20 cs.CL cs.LG
STYLE: Improving Domain Transferability of Asking Clarification Questions in Large Language Model Powered Conversational Agents
College of Computer Science, Sichuan University(四川大学计算机学院);National University of Singapore(新加坡国立大学);Ant Group(蚂蚁集团)
针对大型语言模型驱动的对话智能体在未见领域提出澄清问题时可迁移性差的问题,提出名为Style的新方法,通过避免一刀切策略实现有效领域迁移,在四个未见领域平均提升约10%搜索性能。
2024-06-01 cs.CL
Asking the Right Question at the Right Time: Human and Model Uncertainty Guidance to Ask Clarification Questions
Institute for Logic, Language and Computation(逻辑、语言与计算研究所);University of Amsterdam(阿姆斯特丹大学)
本研究探讨对话系统中模型不确定性与人类澄清行为的关系,提出基于模型不确定性估计生成澄清问题的方法,显著提升任务成功率,强调系统自我评估不确定性的重要性。
2024-02-09 cs.AI cs.CL
Ask or Assume? Uncertainty-Aware Clarification-Seeking in Coding Agents
Faculty of Computer Science, University of Vienna(维也纳大学计算机科学系);UniVie Doctoral School Computer Science, University of Vienna(维也纳大学计算机科学博士学院)
本研究评估了LLM代理在未指定任务中的澄清能力,提出了一种不确定性意识的多代理框架,提高了任务解决率,并展示了多代理系统在复杂任务中主动寻求信息的行为。
2026-09-09 cs.CL
Open-domain clarification question generation without question examples
Stanford University(斯坦福大学);Princeton University(普林斯顿大学)
自然语言处理的首要目标是使机器能够与人类进行无缝通信。然而,自然语言可能是模糊的或不清楚的。在不确定的情况下,人类会参与一个被称为修复的互动过程:提出问题并寻求澄清,直到他们的不确定性得到解决。我们提出了一个框架,建立一个视觉接地的提问模型,能够产生极性(是-否)澄清问题,以解决对话中的误解。我们的模型使用一个预期的信息增益目标,从现成的图像字幕,而不需要任何监督问答数据来获得翔实的问题。我们展示了我们的模型的能力,提出问题,提高沟通的成功,在一个目标导向的20个问题的游戏与合成和人类的回答。
2021-10-19 cs.CL
CLAM: Selective Clarification for Ambiguous Questions with Generative Language Models
University of Oxford(牛津大学)
用户经常向对话系统提出需要澄清的模糊问题。我们发现,目前的语言模型很少要求用户澄清模棱两可的问题,而是提供不正确的答案。为了解决这个问题,我们引入CLAM:一个框架,让语言模型有选择地要求澄清模糊的用户问题。特别是,我们表明,我们可以提示语言模型检测是否一个给定的问题是模糊的,生成一个适当的澄清问题,问用户,并在收到澄清后给出最终答案。我们还表明,我们可以模拟用户提供语言模型的特权信息。这使我们能够自动评估多轮澄清对话。最后,相对于SotA,CLAM显著提高了语言模型在二义性和无二义性混合问题上的准确性.
2023-02-20 cs.AI cs.CL cs.LG
CLARINET: Augmenting Language Models to Ask Clarification Questions for Retrieval
UC Berkeley(加州大学伯克利分校)
针对信息检索中模糊查询需澄清的问题,提出CLARINET系统,通过增强LLM条件化检索分布并端到端微调生成澄清问题,在真实书籍检索数据集上显著提升检索成功率。
2024-04-28 cs.AI cs.CL cs.IR
ProductAgent: Benchmarking Conversational Product Search Agent with Asking Clarification Questions
Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院);Peng Cheng Laboratory(鹏城实验室)
本文提出ProductAgent对话式产品搜索智能体及PROCLARE评测基准,通过策略性澄清提问与动态检索,在电商模糊查询场景中随对话轮次增加逐步提升检索性能。
2024-07-01 cs.AI cs.CL cs.IR
Clarify When Necessary: Resolving Ambiguity Through Interaction with LMs
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
提出任务无关框架,通过意图熵估计决定何时向用户提问澄清,在问答、机器翻译和自然语言推理中显著提升性能。
2023-11-16 cs.CL
Taking Action Towards Graceful Interaction: The Effects of Performing Actions on Modelling Policies for Instruction Clarification Requests
University of Potsdam(波茨坦大学);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI))
本研究探究动作执行作为辅助任务对指令澄清请求策略建模的影响,发现其贡献有限,Transformer模型难掌握发起时机但可较好确定询问内容,并讨论了数据驱动范式学习元沟通行为的缺陷。
2024-01-30 cs.CL
Clarification Is Not Enough: Post-Clarification Answering Remains the Bottleneck in Multi-Turn QA
Cornell University(康奈尔大学);Adobe Research(Adobe研究)
本文通过分解多轮问答为澄清策略和澄清后回答两个组件,利用PACIFIC基准实验发现监督微调能快速提升澄清策略,但最终答案准确率仍显著偏低,表明理解并正确解释用户回应是关键瓶颈。
2026-05-24 cs.CL
Abstain-R1: Calibrated Abstention and Post-Refusal Clarification via Verifiable RL
University of Minnesota(明尼苏达大学)
本文提出Abstain-R1模型,通过可验证的强化学习奖励机制,提升模型在无法回答查询时的回避与澄清能力,同时保持对可回答查询的性能。
2026-04-18 cs.AI cs.CL
One More Turn, Less Regret: A Regret-Based Multi-Turn Benchmark for LLMs' Clarification Policies
MBZUAI(穆罕默德·本·扎耶德人工智能大学);BKAI Research Center, Hanoi University of Science and Technology(河内科技大学BKAI研究中心);INSAIT, Sofia University "St. Kliment Ohridski"(索非亚大学“圣克莱门特·奥赫里德斯基”INSAIT)
研究对话式大语言模型助手在模糊用户请求下的澄清决策问题,核心方法是引入RegretBench基准测试,贡献为揭示模型澄清的有效性和效率,表明有效澄清需在正确时间问对问题并适时停止。
2026-07-27 cs.AI cs.CL
Towards Asking Clarification Questions for Information Seeking on Task-Oriented Dialogues
University College London(伦敦大学学院)
本文提出多注意力Seq2Seq网络MAS2S,通过提问澄清用户信息需求与画像,并构建约10万条对话的数据集,实验证明其在澄清问题生成和答案预测上优于基线。
2023-05-23 cs.CL cs.IR
Referential ambiguity and clarification requests: comparing human and LLM behaviour
Queen Mary University of London(伦敦大学Queen Mary)
本研究构建新语料库比较人类与LLM在任务导向对话中面对歧义时的澄清提问行为,发现两者相关性低且表现相反,且推理能力能提升LLM提问的频率与相关性。
2025-07-14 cs.AI cs.CL
Clarify or Answer: Reinforcement Learning for Agentic VQA with Context Under-specification
University of Washington(华盛顿大学);Allen Institute for AI(人工智能研究院)
CoA通过强化学习解决上下文不充分的视觉问答问题,通过生成聚焦问题澄清歧义,提升问答准确性。
2026-10-21 cs.CL
Ask-before-Plan: Proactive Language Agents for Real-World Planning
National University of Singapore(新加坡国立大学);Singapore Management University(新加坡管理大学)
本文提出主动智能体规划任务与 Ask-before-Plan 基准,并设计含澄清、执行、规划三智能体及轨迹调优、记忆回想机制的 CEP 框架,验证其有效性。
2024-10-02 cs.AI cs.CL
Rational Clarification by Assistive Agents via Value-of-Information Reasoning
National University of Singapore(新加坡国立大学);University of Oxford(牛津大学);Agency for Science, Technology and Research (A*STAR)(新加坡科技研究局)
提出REVOIR方法,通过信息价值推理决定是否澄清模糊请求,在两项任务中提升成功率并减少提问次数,优于现有方法。
2026-09-30 cs.AI cs.CL cs.HC
Interactive Question Clarification in Dialogue via Reinforcement Learning
Ant Financial Services Group(蚂蚁金融服务集团)
在现实世界的对话系统中,处理模棱两可的问题一直是一个长期存在的问题。虽然通过提问来澄清是人类交互的常见形式,但很难定义适当的问题来从用户那里引出更具体的意图。在这项工作中,我们提出了一个强化模型,以澄清模糊的问题,建议改进的原始查询。我们首先制定一个集合划分问题,选择一组标签,使我们能够区分潜在的明确意图。我们将选择的标签作为意图短语列出给用户以供进一步确认。然后,所选择的标签连同原始用户查询一起用作细化的查询,可以更容易地识别合适的响应。该模型使用具有深度策略网络的强化学习进行训练。我们根据真实世界的用户点击来评估我们的模型,并在几个不同的实验中展示了显着的改进。
2020-12-17 cs.CL
Remember, Verify, or Ask? Evaluating Memory Decisions at Reuse Time
Southern Methodist University(南卫理公会大学);Washington University in St. Louis(圣路易斯华盛顿大学)
本研究通过MCB数据集评估LLM智能体的记忆承诺,发现模型验证事实变化更可靠,策略提示可降低错误持久率,少样本提示能提升部分任务准确率,但澄清召回率仍较低。
2026-10-14 cs.CL
Diverse and Specific Clarification Question Generation with Keywords
Shanghai Jiao Tong University(上海交通大学)
电子商务网站上的产品描述往往缺少重要方面。澄清问题生成(CQGen)可以是一种很有前途的方法,以帮助缓解问题。与传统的QGen假设上下文中存在答案并相应地生成问题不同,CQGen模仿用户询问未陈述信息的行为。所生成的CQ可以用作健全性检查或校对,以帮助电子商务商家在广告他们的产品之前识别潜在的缺失信息,并因此改善消费者体验。由于可能的用户背景和用例的多样性,信息需求可以是相当多样化的,但也具体到一个详细的主题,而以前的工作假设每个上下文生成一个CQ,结果往往是通用的。因此,我们提出了多样化CQGen的任务,并解决了特异性的挑战。我们提出了一个新的模型命名为KPCNet,它产生的关键字预测和条件,处理任务的CQ。对2个数据集(家庭和厨房,办公室)的自动和人工评估表明,KPCNet可以生成更具体的问题,并促进比几个竞争基线更好的群体层次的多样性。
2021-04-21 cs.AI cs.CL
Asking Multimodal Clarifying Questions in Mixed-Initiative Conversational Search
University of Copenhagen(哥本哈根大学);University of Amsterdam(阿姆斯特丹大学);The Chinese University of Hong Kong(香港中文大学)
本文提出在混合主动会话搜索中提出多模态澄清问题的新任务,构建了Melon数据集并提出Marto模型,通过添加图像使检索性能提升达90%。
2024-02-12 cs.CL cs.CV
Alexpaca: Learning Factual Clarification Question Generation Without Examples
Columbia University(哥伦比亚大学);Duke University(杜克大学)
提出新任务HotpotQA-FLM评估多跳推理中事实性澄清问题生成,发现GPT-4表现不及人类,而通过拒绝采样微调Llama 3 8B Instruct可将信息恢复率提升27.6%。
2024-10-11 cs.CL cs.LG
When and What to Ask Through World States and Text Instructions: IGLU NLP Challenge Solution
University College London(伦敦大学学院)
针对协作建造中的歧义问题,提出分类与排序方法,分别决定何时提问及选择澄清问题,在NeurIPS 2022 NLP任务中取得F1 0.757和MRR约0.38的成绩。
2023-05-09 cs.AI cs.CL cs.LG
Teaching Vision-Language Models to Ask: Resolving Ambiguity in Visual Questions
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);Wuhan AI Research(武汉人工智能研究院)
针对VQA中用户提问歧义问题,现有方法多依赖重述问题而忽视交互反馈。本文提出ClearVQA基准,评估VLMs通过交互澄清歧义的能力,涵盖三类常见歧义及多种VQA场景。
2025-09-16 cs.CL cs.CV
Beyond Correctness: Resolving Underspecification in Agentic Text-to-SQL
Cornell University(康奈尔大学);Amazon Web Services(亚马逊云服务)
针对智能体文本到SQL中因过早终止澄清导致的静默假设问题,提出PlanPool外部化题库机制,强制处理已识别问题,在三个基准上提升歧义覆盖率并减少静默失败,同时保持执行准确性。
2026-10-05 cs.CL
ClarifyMT-Bench: Benchmarking and Improving Multi-Turn Clarification for Conversational Large Language Models
The University of Hong Kong(香港大学);JIUTIAN Research, China Mobile(中移动巨泰研宄院);CityUHK(城市大学)
ClarifyMT-Bench通过多轮对话基准测试和ClarifyAgent代理方法,解决LLM在多轮对话中澄清不足的问题,提升在模糊情境下的鲁棒性。
2025-12-24 cs.CL cs.IR
ClarifyDelphi: Reinforced Clarification Questions with Defeasibility Rewards for Social and Moral Situations
Bar-Ilan University(巴伊兰大学);University of Utah(犹他大学);Allen Institute for Artificial Intelligence(艾伦人工智能研究所);University of Washington(华盛顿大学)
ClarifyDelphi通过强化学习与可废止性奖励,自动提出能最大化道德判断分歧的澄清问题,以获取社会道德情境中的关键上下文,并在人类评估中优于基线方法。
2023-05-30 cs.CL
Intelligent Legal Assistant: An Interactive Clarification System for Legal Question Answering
Nankai University(南开大学);Zhejiang University(浙江大学);Fayuan Inc.(法源公司);Worcester Polytechnic Institute(伍斯特理工学院)
针对用户因缺乏专业法律知识导致问题遗漏关键信息、传统法律问答系统难以精准响应的问题,本研究开发Intelligent Legal Assistant系统,通过获取地理位置、生成澄清问题收集信息,最终输出深度法律分析。
2025-02-11 cs.CL
Knowing but Not Showing: LLMs Recognize Ambiguity but Rarely Ask Clarifying Questions
Cornell University(康奈尔大学)
研究大型语言模型在识别用户查询歧义与主动提出澄清问题之间的行为差距,发现模型虽能识别歧义但默认直接回答,检索上下文会进一步减少澄清行为。
2026-05-24 cs.CL
Ask, Condition or Abstain: Reinforcement Learning for Missing-Premise Reasoning
Ant International(蚂蚁国际);Zhejiang University(浙江大学);Dingtalk, Alibaba Group(阿里巴巴集团钉钉);Ant Group(蚂蚁集团)
本研究提出ACA-RL框架,结合MPB基准,训练模型应对缺失前提的推理任务,可询问、条件化或弃权,提升欠定问题处理能力。
2026-08-25 cs.CL
RAC: Retrieval-Augmented Clarification for Faithful Conversational Search
Sorbonne Université, CNRS, ISIR, F-75005 Paris, France(索邦大学、国家科学研究中心、ISIR、法国巴黎);Ecole nationale Supérieure d’Informatique (ESI), Algeria(信息技术国家高等学院(ESI)、阿尔及利亚);AgroParisTech, UMR MIA-PS, Palaiseau, France(农业巴黎技术学院、UMR MIA-PS、法国帕莱索)
RAC通过检索增强的方法生成基于语料库的澄清问题,提高对话搜索的准确性与可靠性。
2026-01-16 cs.CL cs.IR
SpeakRL: Synergizing Reasoning, Speaking, and Acting in Language Models with Reinforcement Learning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Amazon Alexa(亚马逊Alexa)
SpeakRL通过强化学习提升语言模型的对话能力,通过奖励主动互动提高任务完成效率。
2025-12-15 cs.AI cs.CL
What Am I Missing? Question-Answering as Hidden State Probing
Department of Electrical and Computer Engineering & Ingenuity Labs, Queen’s University(电子与计算机工程系及Ingenuity实验室,女王大学);Conflict Analytics Lab, Queen’s University(冲突分析实验室,女王大学);Cornell Law School(康奈尔法学院);Vector Institute for AI(人工智能向量研究所)
提出将问答作为推理时干预手段,通过学生-教师框架探测隐藏状态,发现提问前的隐藏状态可预测最终正确性,并设计门控策略优化提问时机。
2026-05-29 cs.CL
How You Ask Shapes What You Get: A Theory-Seeded Measurement of Articulation in Advice-Seeking LLM Conversations
KAIST(韩国科学技术院)
该研究探究建议寻求型LLM对话中提问的表达清晰度是否为可与话题分离的潜在维度,从16447条提示词中提取出可复现的表达清晰度因子,发现其与模型回应存在关联,提出基准测试应按表达清晰度分层。
2026-09-01 cs.CL
Zero-Shot and Efficient Clarification Need Prediction in Conversational Search
Università della Svizzera italiana(瑞士意大利语区大学);University of Amsterdam(阿姆斯特丹大学)
针对对话式搜索中澄清需求预测(CNP)训练数据有限且低效的问题,提出零样本高效框架Zef-CNP,利用大型语言模型生成合成查询训练模型,并设计TIQ-CoT与反事实查询生成策略提升质量,在有效性和效率上均优于现有方法。
2025-02-28 cs.AI cs.CL cs.IR
Modeling Future Conversation Turns to Teach LLMs to Ask Clarifying Questions
New York University(纽约大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对 LLM 面对模糊请求时倾向预设单一解释的问题,本文通过模拟未来对话轮次的预期结果生成偏好标签,训练模型适时提出澄清问题,F1 提升 5%,判断准确率提升 3%。
2025-03-18 cs.CL
Structured Uncertainty guided Clarification for LLM Agents
University of Maryland, College Park(马里兰大学帕克分校);Adobe Research(Adobe研究院)
本文提出结构不确定性框架,通过量化潜在问题的澄清价值,提升LLM代理在模糊任务中的推理效率和训练效率,展示了其在SAGE-Agent和ClarifyBench中的有效性。
2026-04-10 cs.AI cs.CL
Decision-Theoretic Question Generation for Situated Reference Resolution: An Empirical Study and Computational Model
DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室);U.S. Naval Research Laboratory(美国海军研究实验室);Tufts University(塔夫茨大学)
在情境环境中与人类交互的对话代理需要管理跨多种模态的指称歧义,并在需要时寻求帮助。然而,不清楚这些代理人应该问什么样的问题,也不清楚这些问题的答案如何用于解决歧义。为了解决这个问题,我们分析了一项互动研究中的对话数据,在这项研究中,参与者控制一个虚拟机器人,负责组织一套工具,同时与一个现场的远程实验者进行对话。我们发现了一些新的结果,包括用于解决歧义的问题类型的分布和对话水平的因素对参考解决过程的影响。基于这些实证研究结果,我们:(1)使用决策网络开发了用于澄清请求的计算模型,该决策网络具有跨模态操作的基于熵的效用分配方法,(2)评估了该模型,表明其在具有变化的模糊性的环境中优于时隙填充基线,以及(3)解释结果以提供对代理人可以提出问题以促进情境参考解决的方式的洞察。
2021-10-12 cs.CL
Knowing What's Missing: Assessing Information Sufficiency in Question Answering
Adobe Research(Adobe研究院)
本文提出了一种结构化框架,通过识别和验证缺失信息来提高问答系统中信息充分性的评估准确性。
2026-03-21 cs.CL
Teaching Language Models To Gather Information Proactively
University of Southern California(南加州大学);Microsoft Corporation(微软公司);University of California, Davis(加州大学戴维斯分校)
针对大语言模型被动回应、无法主动收集缺失信息的问题,研究提出主动信息收集范式与强化微调策略,训练的模型在自动评估和人工偏好上均显著优于基线,助力大模型成为协作伙伴。
2025-07-28 cs.AI cs.CL
QuestBench: Can LLMs ask the right question to acquire information in reasoning tasks?
Massachusetts Institute of Technology(麻省理工学院);Google DeepMind(谷歌DeepMind)
针对现实查询规定不足的问题,提出QuestBench基准,通过缺失变量赋值的CSP特例评估LLM提出最小必要问题的能力,发现现有模型在逻辑和规划任务上准确率仅40-50%,表明需专门优化信息获取能力。
2025-10-24 cs.AI cs.CL cs.LG
LLMs Know What They Need: Leveraging a Missing Information Guided Framework to Empower Retrieval-Augmented Generation
Meituan(美团)
针对RAG在复杂多跳查询中的推理与检索难题,提出缺失信息引导的MIGRES范式,利用缺失信息生成针对性查询并结合句子级重排序过滤,有效提升了RAG的整体效能。
2024-04-22 cs.CL
INSET: Sentence Infilling with INter-SEntential Transformer
Microsoft Corporation(微软公司);Center for Theoretical Physics, MIT(麻省理工学院理论物理中心)
缺句生成(或句子填充)在自然语言生成中有着广泛的应用,如文档自动补全和会议笔记扩展。这个任务要求模型生成中间缺失的句子,这些句子可以在句法和语义上连接周围的上下文。解决句子填充任务需要自然语言处理中的技术,从理解到话语级规划再到生成。在本文中,我们提出了一个框架来解耦挑战并分别解决这三个方面,利用现有的大规模预训练模型(如BERT和GPT-2)的功能。我们经验证明了我们的模型在学习一个句子表示生成和进一步生成一个符合上下文的缺失句子的有效性。
2020-06-04 cs.CL
Do LLMs Know What to Ask and When? Evaluating Multi-Turn Information Seeking
Harvard University(哈佛大学);Google DeepMind(谷歌DeepMind)
该研究构建MT-InfoSeek评估套件,从提问内容、时机及信息影响三方面评估LLMs的多轮信息获取能力,发现其存在低估信息需求等缺陷,且该能力未被现有评估覆盖。
2026-08-18 cs.AI cs.CL cs.LG
Explore-over-Graph: Hybrid Embedding-LLM Reasoning for Knowledge Graph Question Answering under Incompleteness
New York University Abu Dhabi(纽约大学阿布扎比分校)
针对知识图谱不完整导致多跳问答推理路径断裂的问题,提出XoG框架,利用类型级统计和嵌入恢复缺失路径,LLM作语义选择器,在多个基准上优于可比方法并降低33%令牌消耗。
2026-10-06 cs.CL
LAVOIR: Teaching a Single-Pass Decision Encoder When and What to Ask with Amortized Value of Information
LAVOIR通过将缺失信息槽位置于输入中,利用摊销信息价值指导单遍决策编码器何时及询问什么,无需人工标注,在受控和真实对话中显著提升准确率。
2026-09-28 cs.AI cs.CL
Latent Causal Void: Explicit Missing-Context Reconstruction for Misinformation Detection
School of Informatics, Xiamen University(厦门大学信息学院);School of Computer and Data Science, Minjiang University(闽江学院计算机与数据科学学院)
本文提出Latent Causal Void方法,通过显式重建缺失事实来提升虚假信息检测效果,实验表明在双语基准上优于现有基线。
2026-05-12 cs.CL cs.SI
PassiveQA: A Three-Action Framework for Epistemically Calibrated Question Answering via Supervised Finetuning
Indian Institute of Technology (BHU) Varanasi(印度理工学院(巴纳拉斯印度教大学)瓦拉纳西分校)
本文提出PassiveQA框架,通过监督微调解决信息不全时的问题回答,提升宏F1和退避召回率,减少幻觉。
2026-04-06 cs.AI cs.CL
MediQ: Question-Asking LLMs and a Benchmark for Reliable Interactive Clinical Reasoning
University of Washington(华盛顿大学);Carnegie Mellon University(卡内基梅隆大学);Cornell Tech(康奈尔科技学院);Allen Institute for AI(艾伦人工智能研究所)
针对交互式临床推理中LLM可靠性不足的问题,提出MediQ基准和主动提问系统,通过弃权策略提升诊断准确率22.3%,并验证了过滤上下文与对话重格式化的有效性。
2024-11-07 cs.AI cs.CL