I Need Help! Evaluating LLM's Ability to Ask for Users' Support: A Case Study on Text-to-SQL Generation
Appier AI Research（沛星人工智能研究院）；National Taiwan University（台湾大学）
本文以文本到SQL生成为例，提出评估指标研究大语言模型主动请求用户支持的能力，发现缺乏外部反馈时模型难以识别求助需求，强调外部信号的重要性。
2024-09-30 cs.AI cs.CL
Ask Good Questions for Large Language Models
College of Artificial Intelligence, China University of Petroleum-Beijing, China（人工智能学院，中国石油大学（北京））；Hainan Institute of China University of Petroleum (Beijing), Sanya, Hainan, China（海南中国石油大学（北京）研究院，三亚，海南）
针对当前对话系统难以识别用户概念困惑、无法准确引导话题的问题，提出含改进概念增强项目反应理论（CEIRT）模型的Ask-Good-Question（AGQ）框架，结合LLMs生成引导问题，提升问答信息检索效率，性能优于基线方法。
2025-08-19 cs.AI cs.CL
Ask LLMs Directly, "What shapes your bias?": Measuring Social Bias in Large Language Models
本文提出一种直接量化不同身份视角下社会感知的新策略及聚合度量指标，用于细粒度、全面地测量大语言模型中的多维社会偏见。
2024-06-06 cs.AI cs.CL cs.CY
How to Catch an AI Liar: Lie Detection in Black-Box LLMs by Asking Unrelated Questions
University of Oxford（牛津大学）；University of Cambridge（剑桥大学）；Yale University（耶鲁大学）
本文提出一种黑盒LLM测谎方法：在疑似谎言后询问无关问题，用是/否回答训练逻辑回归分类器，并证明其可跨架构、微调方式、谄媚及现实销售场景泛化。
2023-09-26 cs.AI cs.CL cs.LG
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
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
Do language models practice what they preach? Examining language ideologies about gendered language reform encoded in LLMs
University of Toronto（多伦多大学）
本研究通过英语性别化语言改革案例，发现LLM在语言使用中存在政治偏见和内部不一致性，揭示了其隐含的语言意识形态，并讨论了对价值对齐的影响。
2024-09-20 cs.AI cs.CL
Better to Ask in English: Cross-Lingual Evaluation of Large Language Models for Healthcare Queries
Georgia Institute of Technology（佐治亚理工学院）
本文提出XlingEval框架评估LLMs在多语言医疗查询中的表现，发现不同语言间存在显著差异，并提出XlingHealth基准以促进跨语言能力提升。
2023-10-23 cs.AI cs.CL
A New Dialogue Response Generation Agent for Large Language Models by Asking Questions to Detect User's Intentions
School of Computer Science and Engineering（计算机科学与工程学院）；Nanjing University of Science and Technology（南京理工大学）
针对大语言模型在对话中易忽略用户隐含意图、领域知识不全且更新不及时的问题，提出EDIT框架，通过生成开放式问题检测隐含意图，结合大语言模型和领域知识库获取额外知识以增强响应生成，还构建了COQ数据集，在两个对话任务上表现更优。
2023-10-05 cs.CL
Crafting Interpretable Embeddings by Asking LLMs Questions
UC Berkeley（加州大学伯克利分校）；Microsoft Research（微软研究院）；Cornell University（康奈尔大学）；UT Austin（德克萨斯大学奥斯汀分校）
本研究提出QA-Emb，通过向LLM提问生成可解释嵌入，用于预测fMRI反应，显著优于基线且问题少，并探索了高效近似与NLP应用。
2024-05-26 cs.AI cs.CL cs.LG
Learning to Ask: When LLM Agents Meet Unclear Instruction
Renmin University of China（中国人民大学）；The Chinese University of Hong Kong（香港中文大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学深圳校区）；Johns Hopkins University（约翰霍普金斯大学）；Xiaohongshu Inc.（小红书公司）
本文提出AwN框架，通过让LLM在遇到模糊指令时主动提问以提升工具使用性能，并设计自动化评估工具ToolEvaluator，验证了在NoisyToolBench基准下的优越性。
2026-04-29 cs.AI cs.CL cs.SE
Filling the Image Information Gap for VQA: Prompting Large Language Models to Proactively Ask Questions
Tsinghua University（清华大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院（AIR））
本文提出让大语言模型在VQA中主动提问以获取更多图像细节并过滤生成信息，从而填补图像与文本表示之间的信息缺口，在OK-VQA和A-OKVQA上取得一致性能提升。
2023-11-20 cs.CL
Ask Before You Diagnose: Safe-Psych, a Sequential Evaluation Benchmark for LLMs in Psychiatry
National University of Science and Technology Politehnica Bucharest（布加勒斯特理工大学国立科技大学）；Psychiatric Hospital Doctor Gheorghe Preda（格奥尔基·普雷达医生精神病医院）；Oslo Metropolitan University（奥斯陆都市大学）；Kristiania University of Applied Sciences（克里斯蒂亚尼亚应用科学大学）；SimulaMet（SimulaMet公司）；Lucian Blaga University of Sibiu（锡比乌卢西安·布拉加大学）
研究针对大语言模型在精神病学决策支持中处理证据不完整问题，引入顺序评估基准Safe-Psych，通过模拟真实临床记录及精神科医生行动标签，评估多个模型，发现模型存在过早诊断等问题，揭示其局限性，为改善模型安全性研究提供支持。
2026-07-16 cs.AI cs.CL
Asking the Right Questions: Improving Reasoning with Generated Stepping Stones
FAIR at Meta（Meta的FAIR）；Stanford University（斯坦福大学）；University of Oxford（牛津大学）
本文研究了生成中间步骤对提升LLM推理能力的作用，提出ARQ框架通过生成问题增强推理过程，展示了生成问题的有效性和训练方法。
2026-05-15 cs.AI
Can LLMs Improve Multimodal Fact-Checking by Asking Relevant Questions?
School of Computing, and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院）
针对大语言模型事实核查缺少问题拟定环节的局限，提出LRQ-FACT框架用LLM生成事实核查问题以辅助多模态证据检索与核查，实验验证其有效性并分析各组件作用。
2025-02-20 cs.CL
Ask-Before-Detection: Identifying and Mitigating Conformity Bias in LLM-Powered Error Detector for Math Word Problem Solutions
Michigan State University（密歇根州立大学）；Squirrel Ai Learning（松鼠AI智适应教育）；Carleton College（卡尔顿学院）
本文揭示了基于LLM的数学应用题错误检测器中忽略多种有效解法的从众偏差，提出Ask-Before-Detect框架生成自适应参考解答以缓解偏差，在GSM8K数据集上验证了其有效性。
2024-12-22 cs.CL
Is Large Language Model Performance on Reasoning Tasks Impacted by Different Ways Questions Are Asked?
Department of Computer Science, Iowa State University（计算机科学系，爱荷华州立大学）
本研究探讨了不同提问方式对大型语言模型推理任务准确性的影响，发现问题类型显著影响模型表现，选项数量和用词选择也会影响最终答案选择的准确性。
2026-04-27 cs.AI cs.CL
Political Bias Audits of LLMs Capture Sycophancy to the Inferred Auditor
Institute of Logic, Language and Computation (ILLC), University of Amsterdam（逻辑、语言和计算研究所（ILLC），阿姆斯特丹大学）
本文通过实验揭示LLM对推断审计者的趋炎附势现象，发现政治偏见并非固定立场，而是对实际对话者的响应模式。
2026-04-30 cs.AI
Loose LIPS Sink Ships: Asking Questions in Battleship with Language-Informed Program Sampling
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；MIT BCS（麻省理工学院脑与认知科学系）；Harvard SEAS（哈佛大学工程与应用科学学院）
本文提出语言信息程序采样（LIPS）模型，用LLM生成问题并转为符号程序评估信息增益，以低资源在战舰游戏中达到人类水平的提问表现，同时揭示纯LLM在具身推理上的不足。
2024-05-01 cs.AI cs.CL
When and How Should an Agent Clarify? CIGAsk: Teaching LLMs to Clarify via Counterfactual Information Gain
The Chinese University of Hong Kong（香港中文大学）
针对LLM面对模糊查询时错误作答的问题，提出CIGAsk强化学习方案，通过反事实信息增益与非对称歧义奖励，同时教会模型何时提问及如何提问，在多个澄清基准上超越更强基线。
2026-09-22 cs.AI
Learning to Ask Informative Questions: Enhancing LLMs with Preference Optimization and Expected Information Gain
CIMeC, University of Trento（特伦托大学认知科学与技术跨学科研究中心）；ILLC, University of Amsterdam（阿姆斯特丹大学逻辑、语言与计算研究所）；DISI, University of Trento（特伦托大学信息工程与计算机科学系）
本文提出利用直接偏好优化（DPO）算法，基于期望信息增益（EIG）高低问题对训练LLAMA 2-CHAT 7B，使其在20问游戏中生成更有信息量的问题，并验证了跨领域有效性。
2024-10-17 cs.CL
What Patients Really Ask: Exploring the Effect of False Assumptions in Patient Information Seeking
Duke University（杜克大学）；Stanford University（斯坦福大学）
研究探讨了患者实际提问中错误假设的影响，通过分析谷歌People Also Ask数据集，发现现有LLM在识别日常问题中的错误假设方面表现不佳。
2026-03-18 cs.CL
What to Ask Next? Probing the Imaginative Reasoning of LLMs with TurtleSoup Puzzles
针对LLMs在信息稀疏环境中的想象推理能力评估空白，提出基于TurtleSoup游戏的综合研究框架，包含800个双语谜题的基准TurtleSoup-Bench、新型智能体Mosaic-Agent及多维度评估协议，实验揭示了LLMs的能力极限与失败模式。
2025-08-14 cs.AI
Decide, Ask, or Defer: Clinical LLMs under Incomplete Evidence
University of Texas at Dallas（德克萨斯大学达拉斯分校）
针对临床LLM在不完整证据下的决策，提出DECIDE/ASK/DEFER三行动策略，通过盲法协议和DDXPlus数据集评估，发现其能揭示二元弃权隐藏的行为，但未产生统一更优的决策策略。
2026-10-08 cs.AI
AskIt: Unified Programming Interface for Programming with Large Language Models
CSAIL, MIT（麻省理工学院计算机科学与人工智能实验室）；Mitsubishi Electric Corporation（三菱电机株式会社）
本文提出AskIt，一种专为大型语言模型设计的领域特定语言，通过统一接口支持直接任务执行和代码生成，实现提示长度减少16.14%及效率提升。
2023-12-27 cs.AI cs.PL cs.SE
AHAM: Adapt, Help, Ask, Model -- Harvesting LLMs for literature mining
Jožef Stefan Institute（约瑟夫·斯特凡研究所）；International Postgraduate School Jožef Stefan（约瑟夫·斯特凡国际研究生院）；University of Nova Gorica（新戈里察大学）；Temida d.o.o（Temida有限责任公司）；University of Ljubljana（卢布尔雅那大学）
AHAM方法结合领域专家帮助和LLaMa2生成主题定义，通过领域适应BERTopic降低离群主题比率和主题间相似性，在文献挖掘中验证了有效性。
2023-12-25 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
Better to Ask in English: Evaluation of Large Language Models on English, Low-resource and Cross-Lingual Settings
University of New Brunswick（新不伦瑞克大学）；Daffodil International University（水仙花国际大学）；University of New South Wales（新南威尔士大学）；Macquarie University（麦考瑞大学）
本研究通过零样本提示和五种提示设置评估GPT-4、Llama 2和Gemini在英语与南亚低资源语言中的表现，发现GPT-4全面领先且所有模型在英语提示下效果更好，揭示了低资源语言场景下LLMs的改进需求。
2024-10-17 cs.CL
How Well Do Large Language Models Understand Syntax? An Evaluation by Asking Natural Language Questions
Soochow University（苏州大学）；Huawei Cloud（华为云）
本研究通过自然语言问答评估24个LLMs对九类句法知识点的理解，发现多数模型句法掌握有限，介词短语附着最难，且句法知识主要在训练初期习得。
2023-11-14 cs.CL
I Could've Asked That: Reformulating Unanswerable Questions
Cornell University（康奈尔大学）
针对LLMs识别但不协助重构不可回答问题的局限，本文提出CouldAsk基准，评估发现GPT-4和Llama2-7B等模型重构成功率极低，主因是仅改写或重复原问题。
2024-07-24 cs.AI 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
The ART of LLM Refinement: Ask, Refine, and Trust
Meta AI；ETH Zurich（苏黎世联邦理工学院）
针对LLM自我精炼中错误识别困难的问题，提出ART方法，通过询问、精炼与信任机制，在GSM8K和StrategyQA上较基线提升5个百分点，并验证了使用小模型决策的经济性。
2023-11-14 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
Positioning Political Texts with Large Language Models by Asking and Averaging
Universitat Pompeu Fabra（庞培法布拉大学）；Barcelona School of Economics（巴塞罗那经济学院）；UPF-Barcelona School of Management（庞培法布拉大学-巴塞罗那管理学院）；Universitat de Barcelona（巴塞罗那大学）；Institut Barcelona d’Estudis Internacionals（巴塞罗那国际事务研究所）
本文提出通过向指令微调大语言模型提问并对回答取平均值来定位政治文本在政策与意识形态空间中的位置，实验表明该方法相关性超过0.90，优于监督分类器，且快速、低成本、可靠、可复现。
2024-09-05 cs.CL
Large Language Model Is Not a Good Few-shot Information Extractor, but a Good Reranker for Hard Samples!
S-Lab, Nanyang Technological University（南洋理工大学S-Lab）；Singapore Management University（新加坡管理大学）
该研究通过实验证明大语言模型少样本信息抽取性能弱于微调小模型，进而提出自适应过滤-重排范式，让小模型过滤、大模型重排难样本，以可接受成本提升抽取性能。
2023-10-21 cs.AI cs.CL
Ask Patients with Patience: Enabling LLMs for Human-Centric Medical Dialogue with Grounded Reasoning
University of Oxford（牛津大学）；Technical University of Munich（慕尼黑技术大学）
本文提出 APP，一种基于 LLM 的医疗助手，通过 grounded 推理和透明诊断提升医疗对话的人性化体验，改进诊断准确性并增强用户参与度。
2026-05-08 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
LLMs Mirror Country-Specific Gender Patterns If Asked, but Skew Male When Generating Media in Local Languages
University of Pennsylvania（宾夕法尼亚大学）；Cornell University（康奈尔大学）；World Bank Group（世界银行集团）；University of Oxford（牛津大学）；New York University（纽约大学）
本研究通过跨国调查和八种LLM测试发现，模型在直接问答时反映当地性别观念，但在生成当地语言媒体时偏向男性，需采用生成格式与本地基线评估全球部署中的性别偏见。
2026-09-09 cs.CL
How to Train Data-Efficient LLMs
University of California, San Diego（加利福尼亚大学圣迭戈分校）；Google DeepMind（谷歌DeepMind）；Texas A&M University（德克萨斯农工大学）
本文研究预训练LLMs的数据高效方法，提出Ask-LLM利用零样本推理评估数据质量，Density sampling优化覆盖率，实验表明两者在各自类别中最佳，Ask-LLM在拒绝90%数据时仍优于全量训练且收敛快70%。
2024-02-15 cs.AI cs.CL cs.LG
From Guessing to Asking: An Approach to Resolving the Persona Knowledge Gap in LLMs during Multi-Turn Conversations
BITS Pilani；University of Maryland Baltimore County（马里兰大学巴尔的摩分校）；Ohio State University（俄亥俄州立大学）
本文提出 CPER 框架，通过不确定性量化与反馈改进动态识别并弥补多轮对话中的角色知识缺口，在 CCPE-M 和 ESConv 上均显著优于基线。
2025-03-16 cs.AI 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
Who's Asking? Investigating Bias Through the Lens of Disability Framed Queries in LLMs
Birla Institute of Technology and Science (BITS)（巴拉·技术与科学学院）
该研究首次系统性审计8款不同规模指令微调LLM的残障相关人口统计偏见，发现模型易无依据推断人口属性、残障语境会放大偏见且大模型偏见更显著，提出用弃权校准和反事实微调缓解该问题。
2025-10-22 cs.AI cs.CL cs.CY
Ask and You Shall Receive (a Graph Drawing): Testing ChatGPT's Potential to Apply Graph Layout Algorithms
Northeastern University（东北大学）；TU Wien（维也纳工业大学）
大语言模型（LLM）最近风靡全球。他们可以生成连贯的文本，进行有意义的对话，并学习概念和基本指令集-例如算法的步骤。在这种情况下，我们有兴趣通过在ChatGPT上进行实验来探索LLM在图形绘制算法中的应用。这些算法用于提高图形可视化的可读性。LLM的概率性质对正确实现算法提出了挑战，但我们相信LLM从大量数据中学习并应用复杂操作的能力可能会导致有趣的图形绘制结果。例如，我们可以让编码背景有限的用户使用简单的自然语言来创建有效的图形可视化。自然语言规范将使数据可视化对更广泛的用户更容易访问和用户友好。探索LLM的绘图能力还可以帮助我们更好地理解如何为LLM制定复杂的算法;这是一种可以转移到计算机科学其他领域的知识。总的来说，我们的目标是阐明使用LLM进行图形绘制的令人兴奋的可能性，同时对它们所带来的挑战和机遇进行平衡的评估。本文的免费副本以及复制我们的结果所需的所有补充材料可在https://osf.io/n5rxd/?上获得View_only=f09cbc2621f44074810b7d843f1e12f9
2023-03-03 cs.AI cs.HC
Can LLMs Generate Good Stories? Insights and Challenges from a Narrative Planning Perspective
Autodesk Research（Autodesk研究院）
该研究从叙事规划视角出发，构建基于文学案例的评估基准检验LLM的故事生成能力，发现GPT-4级LLM可生成小规模因果合理的故事，但角色意图与冲突规划仍有难度，为相关应用提供了参考。
2025-06-11 cs.AI cs.CL
Mind What You Ask For: Emotional and Rational Faces of Persuasion by Large Language Models
Warsaw University of Technology（华沙理工大学）；Wrocław University of Science and Technology（弗罗茨瓦夫理工大学）；University of Warsaw（华沙大学）；Lincoln University College（林肯大学学院）
本研究针对LLMs因取悦用户训练导致的说服有效性问题，分析12种模型回应的心理语言学特征，结合理性/情感提示分组及社会影响原则，探究减轻其驱动的大规模错误信息风险的方法，强调跨学科应对认知与社会风险的必要性。
2025-02-13 cs.AI cs.CL cs.HC
Don't Let Me Ask for It: LLMs Show Deficiencies in Active Multi-Turn Information Acquisition for Abductive Inference
该研究通过Alien Abduction游戏探究LLMs的主动多轮信息获取能力，发现其在分轮提供证据、自行选择查询时表现欠佳，存在假设验证与停止决策的缺陷。
2026-08-05 cs.CL
Are LLMs Good Text Diacritizers? An Arabic and Yoruba Case Study
Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；University of British Columbia（不列颠哥伦比亚大学）
本文研究了大语言模型在阿拉伯语和约鲁巴语中的文本附加符号化效果，引入了多语言数据集MultiDiac，并评估了12种不同规模的语言模型，发现通用模型在某些情况下优于专用模型，但小型模型易出现幻觉。
2026-03-16 cs.AI cs.CL
Making New Connections: LLMs as Puzzle Generators for The New York Times' Connections Word Game
New York University（纽约大学）；Jester Labs（杰斯特实验室）
本文研究GPT系列大语言模型生成《纽约时报》连线单词谜题的能力，提出基于思维树提示的生成方法，并通过用户研究证明AI能生成多样且富有挑战性和创造性的谜题。
2024-07-15 cs.AI cs.CL
Toward a Gricean Retreat: Probing LLMs for Knowledge Boundaries and Referent Specificity
University of Colorado, Boulder（科罗拉多大学博尔德分校）
该研究探究LLMs是否具备格赖斯式退却的要素，发现其激活可编码知识边界与指称特异性信号，但生成时未协调，为格赖斯式对齐提供了基础。
2026-08-14 cs.AI cs.CL
Identifying Good and Bad Neurons for Task-Level Controllable LLMs
Singapore Management University（新加坡管理大学）；ShanghaiTech University（上海科技大学）
NeuronLLM通过对比学习识别任务级可控大语言模型中的好神经元和坏神经元，以提升任务表现和理解能力。
2026-03-05 cs.AI cs.CL
Large Language Models Should Ask Clarifying Questions to Increase Confidence in Generated Code
George Washington University（乔治华盛顿大学）
本文提出以沟通为中心的LLM代码生成流程，通过自动识别高歧义或低置信度问题并向用户提问，来澄清需求、改善代码质量并增强生成信心。
2024-01-22 cs.AI cs.LG cs.SE
"Oh LLM, I'm Asking Thee, Please Give Me a Decision Tree": Zero-Shot Decision Tree Induction and Embedding with Large Language Models
University of Applied Sciences Berlin（柏林应用科学大学）；Charité - Universitätsmedizin Berlin（柏林夏里特医学院）；University of Birmingham（伯明翰大学）
本研究提出利用大语言模型零样本生成可解释决策树，无需训练数据，在小型表格数据集上性能可超越数据驱动树，并可作为低数据场景下的知识驱动基线。
2025-05-27 cs.AI cs.CL cs.LG
"Ask Me Anything": How Comcast Uses LLMs to Assist Agents in Real Time
Comcast AI Technologies（康卡斯特人工智能技术公司）
Comcast 提出“尽管问我”（AMA）功能，让客服人员在实时对话中按需向大语言模型提问，实验显示每次含搜索对话耗时减少约10%，年节省数百万美元，近80%反馈为正面。
2024-05-06 cs.CL
Want a Good Answer? Ask a Good Question First!
City College, CUNY（纽约市立大学城市学院）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Stony Brook University（石溪大学）
社区问答（CQA）网站已经成为一个有价值的知识库，它承载了大量的人类知识。为了最大限度地利用这些知识，必须评估现有问题或答案的质量，特别是在CQA网站上发布后不久。在本文中，我们研究的问题和答案的质量推断通过一个案例研究的软件CQA（堆栈溢出）。我们的主要发现是，答案的质量与问题的质量密切相关。武装与此观察，我们提出了一个家庭的算法来共同预测问题和答案的质量，量化数值质量分数和区分高质量的问题/答案从那些低质量的。我们进行了广泛的实验评估，以证明我们的方法的有效性和效率。
2013-11-27 cs.AI cs.DB cs.IR
