Yuan3.0 Flash: An Open Multimodal Large Language Model for Enterprise Applications
Yuan3.0 Flash通过RAPO算法提升企业任务性能,实现高效多模态大语言模型开源
2026-01-05 cs.AI
From Search to Reasoning: A Five-Level RAG Capability Framework for Enterprise Data
Corvic AI Inc(Corvic AI公司)
本文提出一个面向企业数据的五级RAG能力分类框架(L1-L5),并引入对齐基准,评估四个平台,强调多空间检索和动态编排对实现L1-L4能力的关键价值。
2025-08-27 cs.AI cs.IR
Hybrid OCR-LLM Framework for Enterprise-Scale Document Information Extraction Under Copy-heavy Task
Ningbo Institute of Digital Twin(宁波数字孪生研究所);Eastern Institute of Technology(东部技术研究所)
针对企业级复制繁重文档抽取的准确率与效率权衡挑战,提出结合OCR与LLM的混合框架,利用格式感知路由与基于表格的抽取策略,在身份文档上实现近满分F1及亚秒级延迟,性能提升54倍。
2025-10-11 cs.AI cs.CL
Less Context, Better Agents: Efficient Context Engineering for Long-Horizon Tool-Using LLM Agents
Microsoft(微软)
针对企业工具使用场景中上下文过长导致的问题,提出选择性保留最近工具交互并添加紧凑摘要的方法,在费用明细任务上将完成率从71.0%提升至91.6%,同时大幅降低token消耗和运行时间。
2026-06-08 cs.AI cs.LG cs.SE
SAGE: Governed Artifact Generation from Enterprise Guidelines
Centific Research
SAGE提出受治理的多阶段LLM流水线,通过版本化规则存储、模式验证和溯源追踪,将企业指南文档转换为结构化工件,将周转时间从数天降至20-100分钟,成功率96%,幻觉率仅3.2%。
2026-09-17 cs.AI
ERATTA: Extreme RAG for Table To Answers with Large Language Models
Corporate Data and Analytics Office (CDAO), Accenture(埃森哲企业数据与分析办公室(CDAO))
本文提出一种基于多 LLM 协作的极端 RAG 系统,通过数据认证、查询路由与自定义提示实现企业表格问答,并在10秒内生成结构化响应,结合五指标幻觉检测模块,在多领域查询中达到>90%置信度。
2024-11-17 cs.AI cs.LG
AIGT: AI Generative Table Based on Prompt
Zhejiang University(浙江大学);Ant Group(蚂蚁集团)
针对当前方法未充分利用表格信息的问题,提出基于提示增强的AIGT方法,利用元数据生成高质量合成表格数据,并引入长令牌分区算法克服LLM限制,在多个数据集上取得SOTA性能。
2024-12-24 cs.AI
Table2Vec: Automated Universal Representation Learning to Encode All-round Data DNA for Benchmarkable and Explainable Enterprise Data Science
University of Technology Sydney(悉尼科技大学)
企业数据通常涉及多个异构数据源和外部数据,它们分别记录业务活动、交易、客户人口统计、状态、行为、与企业的交互和通信,以及其产品、服务、生产、营销、运营和管理的消费和反馈,企业数据科学中的一个关键挑战是实现有效的整体企业数据理解和数据驱动的发现以及对全面企业DNA的决策。我们引入了一个神经编码器Table2Vec,用于从全方位的企业DNA中对客户等实体进行自动通用表示学习,并进行自动数据特征分析和数据质量增强。学习到的通用表示用作代表性和基准企业数据基因组,并且可以用于企业范围和特定于域的学习任务。Table 2 Vec集成了针对低质量企业数据和下游学习任务的自动化通用表示学习。我们举例说明了Table2Vec在复杂的异构多关系大表上表征企业中的全方位客户数据DNA,以构建通用的客户向量表示。每个客户的学习通用表示是全面的,具有代表性和基准性的,以支持企业数据科学中的企业范围和特定领域的学习目标和任务。Table2Vec显著优于通常用于企业分析的现有浅层、提升和深度学习方法。我们进一步讨论了自动化通用企业表示和学习的研究机会,方向和应用,以及自动化,通用,整个企业和道德机器学习和数据科学的学习企业数据DNA。
2021-12-03 cs.AI cs.LG
Enhancing Table Representations with LLM-powered Synthetic Data Generation
University of Delaware(特拉华大学);Capital One(第一资本金融公司)
针对表格表示学习中数据质量不足的问题,提出利用LLM代码生成与数据操作能力构建合成数据流水线,生成大规模数据集以增强表格表示,并在表格推荐任务上验证了其有效性。
2024-11-04 cs.AI cs.LG
Evaluating Chunking Strategies For Retrieval-Augmented Generation in Oil and Gas Enterprise Documents
Digital and Innovation Department, Nigeria LNG Limited(尼日利亚LNG公司数字与创新部门)
本文研究了四种分块策略在石油和天然气企业文档中的效果,发现结构感知分块在检索效果和计算成本上表现最佳,但对图表类文档仍有限。
2026-03-25 cs.AI cs.IR
ENTLORE: A Graph-Grounded Benchmark for Latent Organizational Reasoning in Enterprise Question Answering
该研究提出基于图的基准构建框架ENTLORE,针对企业问答的潜在组织推理问题,在56种配置上评估其效果,发现企业问答还依赖隐含组织关系的可用性。
2026-08-13 cs.AI cs.CL cs.IR
Abstractive Text Summarization: State of the Art, Challenges, and Improvements
University of Colorado(科罗拉多大学);University of Arkansas(阿肯色大学)
该综述系统梳理了抽象式文本摘要的最新技术、挑战与改进方向,涵盖序列到序列模型、预训练大语言模型、强化学习等方法,并提出知识融合等解决方案,为后续研究提供结构化参考。
2024-09-04 cs.AI cs.CL cs.LG
RASL: Retrieval Augmented Schema Linking for Massive Database Text-to-SQL
Amazon(亚马逊)
针对大语言模型数据库自然语言接口难以扩展到企业级海量数据目录的问题,提出RASL检索增强架构,拆解模式元数据为语义单元单独索引,兼顾表识别与列信息利用,在海量数据库上表现优于基线,无需领域微调即可适配企业场景。
2025-07-30 cs.AI cs.CL cs.LG
Consistency Analysis of Sentiment Predictions using Syntactic & Semantic Context Assessment Summarization (SSAS)
Tellagence Inc.(Tellagence公司);Villanova School of Business, Villanova University(维拉文纳大学商学院);Maseeh College of Engineering and Computer Science, Portland State University(波特兰州立大学Maseeh工程与计算机科学学院)
本文提出SSAS框架,通过上下文评估提升情感预测的一致性,实验表明其能有效提高数据质量,减少噪声和分析方差。
2026-04-16 cs.AI cs.CL
Natural Language Summarization Enables Multi-Repository Bug Localization by LLMs in Microservice Architectures
Yildiz Technical University, Dept. of Computer Eng.(Yildiz技术大学,计算机工程系);Yildiz Technical University, Department of Computer Engineering(Yildiz技术大学,计算机工程系)
利用自然语言摘要和LLM技术,通过多仓库微服务架构实现更高效的Bug定位,显著提升定位准确率和透明度。
2025-12-05 cs.AI cs.CL cs.IR
Characterizing Multimodal Long-form Summarization: A Case Study on Financial Reports
Carnegie Mellon University(卡内基梅隆大学);JPMorgan AI Research(摩根大通人工智能研究院);The University of Chicago(芝加哥大学)
本研究以财务报告摘要为案例,提出多模态长文本摘要特征刻画框架,分析多款LLM的表现,发现Claude 2处理长多模态输入能力较强,还揭示了位置偏差、数值幻觉等问题并尝试优化。
2024-08-15 cs.AI cs.CL cs.LG
PosterSum: A Multimodal Benchmark for Scientific Poster Summarization
University of Edinburgh(爱丁堡大学);School of Informatics(信息学院);Institute for Language, Cognition and Computation(语言、认知与计算研究所)
PosterSum基准包含16,305对科学海报与摘要,用于评估多模态模型;提出的Segment & Summarize层次化方法在ROUGE-L上提升3.14%,优于现有MLLMs。
2025-02-24 cs.AI cs.CL cs.CV
SALT-KG: A Benchmark for Semantics-Aware Learning on Enterprise Tables
SAP SE(SAP股份有限公司)
SALT-KG是一个面向企业表格的语义感知学习基准,通过链接元数据知识图与多表事务数据,评估模型在表格证据和上下文语义上推理的能力。
2026-01-12 cs.AI
Matching Table Metadata with Business Glossaries Using Large Language Models
IBM Research(IBM研究院);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Peoples' Friendship University of Russia (RUDN University)(俄罗斯人民友谊大学(RUDN大学));Joint Institute for Nuclear Research(联合核研究所);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);University of Skövde(舍夫德大学)
本文研究利用大语言模型将表元数据与业务术语表自动匹配,通过生成列名上下文和直接推断关系两种方法,在无需人工调整和数据访问的情况下实现有效检索与分析。
2023-09-08 cs.AI cs.CL cs.IR
Enhancing Table Reasoning with Deterministic Table-State Rewards
University of California, Los Angeles(加州大学洛杉矶分校);McGill University(麦吉尔大学);Université de Montréal(蒙特利尔大学);University College London(伦敦大学学院);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));University of Manitoba(曼尼托巴大学)
本文提出TABROUGE,一种无需训练的确定性状态奖励,通过改进的LCS指标评估表格状态,提升表格推理准确率并减少样本需求。
2026-05-15 cs.AI
A Mixed Hierarchical Attention based Encoder-Decoder Approach for Standard Table Summarization
IBM Research(IBM研究院);IIT Madras(印度理工学院马德拉斯分校)
结构化数据摘要涉及从结构化输入数据生成自然语言摘要。在这项工作中,我们考虑总结以表格形式出现的结构化数据,因为它们在各种各样的领域中普遍存在。我们制定了标准的表汇总问题,它处理表符合一个单一的预定义的模式。为此,我们提出了一个混合的分层注意的编码器-解码器模型,它能够利用的结构,除了表的内容。我们在公开的WEATHERGOV数据集上的实验显示,与当前最先进的技术相比,BLEU提高了约18(约30%)。
2018-04-20 cs.AI cs.CL
Text-to-SQL for Enterprise Data Analytics
LinkedIn(领英)
本文提出一种面向LinkedIn企业数据分析的文本到SQL方案,通过知识图谱、查询智能体和交互式聊天机器人实现数据自助洞察,并在内部基准上取得53%的正确或接近正确率。
2025-07-18 cs.AI cs.CL cs.DB
Beyond Tables: Doc2DB-Bench for Relationally Faithful Document-to-Database Construction
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
该研究针对现有文档到表格基准无法适配关系数据库构建需求的问题,推出Doc2DB-Bench基准,含多领域长文档实例,为基于LLM的可靠数据系统提供测试平台。
2026-08-11 cs.AI cs.CL cs.DB
CON-QA: Privacy-Preserving QA using cloud LLMs in Contract Domain
Info Origin INC;Indian Institute of Technology New Delhi (IITD)(印度理工学院新德里学院(IITD))
针对企业合同问答中的隐私泄露风险,提出CON-QA混合框架,结合本地与云LLM,通过查询分解、实体匿名化和反向映射实现安全问答,并基于CUAD-QA数据集验证其隐私与效用兼顾。
2025-09-24 cs.AI
HySem: A context length optimized LLM pipeline for unstructured tabular extraction
Indian Institute of Science(印度科学学院);JNResearch Labs LLP(JNResearch实验室有限责任公司)
针对制药行业非结构化表格提取中LLM存在的准确性与上下文长度限制问题,提出采用上下文长度优化技术的HySem流水线,适配中小药企成本隐私需求,在开源模型中准确率领先,性能对标GPT-4o,可支持更大表格处理。
2024-10-05 cs.AI cs.CL
Long Text and Multi-Table Summarization: Dataset and Method
The Hong Kong Polytechnic University(香港理工大学)
自动文档摘要的目的是生成一个简洁的摘要,涵盖输入文档的显着信息。在报告文档中,显著信息可以分散在文本和非文本内容中。然而,现有的文档摘要数据集和方法通常集中在文本和过滤掉非文本内容。缺少表格数据可能会限制生成的摘要的信息量,特别是当摘要需要在表格中涵盖关键指标的定量描述时。现有的数据集和方法无法满足在每个报告中汇总长文本和多个表格的要求。为了应对可用数据的稀缺性,我们提出了FINDSum,这是第一个用于长文本和多表摘要的大规模数据集。它建立在3,794家公司的21,125份年度报告基础上,有两个子集用于总结每家公司的经营业绩和流动性。为了总结每份报告中的长文本和数十个表格,我们提出了三种类型的摘要方法。此外,我们提出了一套评估指标,以评估数字信息的使用情况,在生产的摘要。数据集分析和实验结果表明,在汇总报告文档时,联合考虑输入文本和表格数据的重要性。
2023-02-08 cs.AI cs.CL
AI-Assisted Knowledge Access for Legacy Enterprise Asset Management in Energy Operations: A Practical Retrieval System
Ontario Power Generation(安大略发电公司);Dalhousie University(达尔豪斯大学)
针对能源运营中传统企业资产管理平台更换成本高、干扰运营的问题,提出检索助手,结合意图理解等运行时方法及语义丰富的数据准备管道,经试点测试,提升了检索质量和用户成果,为传统环境提供运营价值并奠定基础。
2026-07-29 cs.AI cs.IR
Towards Optimizing the Costs of LLM Usage
IIT Madras(印度马德拉斯理工学院);IIT Delhi(印度德里理工学院);Adobe Research(奥多比研究院);IIT Guwahati(印度古瓦哈蒂理工学院)
本文提出通过预测LLM输出质量并优化选择,在控制成本的同时提升质量,实现成本降低40%-90%、质量提升4%-7%的方法。
2024-01-29 cs.AI cs.CL cs.LG
SALT: Sales Autocompletion Linked Business Tables Dataset
SAP SE(思爱普公司)
本文发布源自 ERP 系统的 SALT 关联业务表数据集,以支持表格表示学习并提升基础模型在真实企业多表场景中的适用性。
2025-01-06 cs.AI cs.DB cs.LG
Granite Vision: a lightweight, open-source multimodal model for enterprise Intelligence
IBM Research(IBM研究院)
本文提出轻量级开源多模态模型 Granite Vision,通过视觉模态对齐 20 亿参数 Granite LLM,并引入稀疏注意力安全分类,在视觉文档理解和 LiveXiv 基准上表现优异。
2025-02-14 cs.AI cs.CV
DAComp: Benchmarking Data Agents across the Full Data Intelligence Lifecycle
Institute of Automation, CAS(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学)
DAComp通过210个任务评估数据代理在数据工程与分析中的能力,揭示现有代理在复杂流程编排和开放性推理中的不足。
2025-12-03 cs.AI cs.CL
Towards Agents That Know When They Don't Know: Uncertainty as a Control Signal for Structured Reasoning
Novo Nordisk(诺和制药);University of Oxford(牛津大学)
针对大语言模型智能体在多表结构化数据推理中过度自信的问题,提出融合检索与摘要不确定性的感知智能体,通过GRPO强化学习及推理过滤提升事实性与校准度,在多组学任务中效果显著。
2025-09-02 cs.AI
ChartCards: A Chart-Metadata Generation Framework for Multi-Task Chart Understanding
提出ChartCards框架,通过合成图表元数据构建大规模数据集MetaChart,支持多任务图表理解,微调六个模型平均性能提升5%,检索和转换任务最高提升28%。
2025-10-07 cs.AI cs.CL
An LLM-Based Approach for Insight Generation in Data Analysis
Aily Labs(艾利实验室);EURECOM(欧洲通信学院)
本文提出一种基于 LLM 的多表数据库文本洞察自动生成框架,通过假设生成、SQL 查询与摘要模块协同工作,并在公共及企业数据库上验证其正确性与更高洞察性。
2025-02-20 cs.AI cs.CL cs.DB
Automated Summarization of Financial News Using Large Language Models and Retrieval-Augmented Generation: An Early Empirical Study (Fall 2023)
George Washington University(乔治·华盛顿大学)
该2023年秋的研究构建了结合LLM与RAG的财经新闻摘要流程,测试多种模型与方法,发现Summarize Chains的Falcon-7B表现最优,RAG存在缺陷,且相关失效模式至今仍具参考价值。
2026-08-21 cs.AI cs.CL cs.IR
DataFactory: Collaborative Multi-Agent Framework for Advanced Table Question Answering
Institute of Systems Engineering, Academy of Military Sciences(系统工程研究所,军事科学院);School of Information Resource Management, Renmin University of China(信息资源管理学院,中国人民大学)
DataFactory通过多智能体协作框架提升表格问答的准确性和鲁棒性,采用ReAct范式和自动知识转换,显著提高查询精度和多跳推理能力。
2026-03-10 cs.AI cs.DB cs.IR
Stateless Decision Memory for Enterprise AI Agents
Vasundra Srinivasan
本文提出无状态决策记忆(DPM),在企业监管领域中通过无状态设计提升决策精度和可审计性,同时提高效率。
2026-04-22 cs.AI
Schema-Aware Localisation (SAL): Live Schema Grounding and Hallucination Validation for Oracle NL2SQL
Torrens University Australia(澳大利亚托伦斯大学)
研究大型语言模型在Oracle数据库执行SQL失败的问题,提出模式感知本地化(SAL)轻量级中间件,通过构建实时模式映射、注入上下文及幻觉索引验证等方法,提升执行基础真值,减少执行失败率。
2026-07-28 cs.AI
From Naive RAG to Deep Agentic Retrieval: An Evolving Context Engineering Pipeline for Regulatory Compliance
Ontario Power Generation(安大略发电公司);Dalhousie University(达尔豪斯大学)
研究针对RAG朴素实现的局限,追溯安大略发电公司检索管道演变,历经多阶段形成PEA-CAE架构,表明上下文工程对监管语料库更具优势,深度智能检索进展反映经典思想,迭代证据获取等渐成企业问答基础。
2026-07-29 cs.AI cs.CL cs.IR
Dingtalk DeepResearch: A Unified Multi Agent Framework for Adaptive Intelligence in Enterprise Environments
Industrial Brain Team, Dingtalk, Alibaba Group(钉钉工业大脑团队,钉钉,阿里巴巴集团)
本研究提出面向真实企业环境的统一多智能体框架钉钉DeepResearch,具备深度调研、异构表格推理、多模态报告生成能力,服务企业场景自适应智能需求。
2025-10-22 cs.AI cs.CL
THOR: Transformer Heuristics for On-Demand Retrieval
eSapiens
本文提出 THOR 模块,通过解耦编排架构、模式感知、自校正循环和只读护栏,将自然语言转换为安全的企业级 SQL 查询,使非技术用户无需 SQL 即可进行可靠的即席数据分析。
2025-07-17 cs.AI cs.DB
CAST: Achieving Stable LLM-based Text Analysis for Data Analytics
Nanjing University(南京大学);Tsinghua University(清华大学);Peking University(北京大学);Microsoft Research(微软研究院)
CAST通过算法提示和先思考后发言提升大语言模型在表格数据分析中的输出稳定性,实验表明其在多个基准上表现最佳,稳定性提升达16.2%。
2026-04-22 cs.AI cs.CL
StatePlane: A Cognitive State Plane for Long-Horizon AI Systems Under Bounded Context
StatePlane通过认知状态管理实现长期智能,无需扩展上下文窗口或重新训练模型,适用于多会话任务。
2026-03-13 cs.AI
Falcon: A Comprehensive Chinese Text-to-SQL Benchmark for Enterprise-Grade Evaluation
Ant Group(蚂蚁集团)
该研究推出面向企业场景的中文Text-to-SQL基准Falcon,基于真实企业数据与MaxCompute/Hive方言,配套自动化评估工具,揭示当前大模型在企业级中文Text-to-SQL任务上的不足与核心难点。
2025-10-23 cs.AI cs.CL
Research Challenges in Relational Database Management Systems for LLM Queries
University of Waterloo(多伦多大学)
本文通过五个代表性查询探索两个开源系统和一个企业平台,揭示SQL调用LLM在功能、性能和可扩展性上的局限,识别结构化输出、资源利用和查询规划三大问题,并验证初步改进方案,证明LLM与DBMS紧密集成是可扩展高效处理LLM查询的关键。
2025-08-28 cs.AI cs.DB
Schema Lineage Extraction at Scale: Multilingual Pipelines, Composite Evaluation, and Language-Model Benchmarks
Microsoft Redmond, WA(微软红木城);Antra. Inc.(Antra公司)
针对企业多语言数据流水线中的语义漂移问题,提出自动提取细粒度模式血缘的框架,引入SLiCE复合评估指标和1,700条标注基准,实验表明32B开源模型可媲美GPT系列性能。
2025-08-10 cs.AI cs.CL cs.DB
Continual Enterprise World Model Discovery in Dynamic Systems
ServiceNow Research(ServiceNow研究院);LIVIA, ILLS, ÉTS Montréal(蒙特利尔高等工程技术学院LIVIA实验室和ILLS研究所);Université Polytechnique Montréal(蒙特利尔综合理工学院);Mila - Quebec AI Institute(魁北克人工智能研究所Mila);McGill University(麦吉尔大学);University of British Columbia(不列颠哥伦比亚大学)
本研究提出持续企业世界模型发现任务及CDA智能体,通过交互观察动态业务规则构建并更新世界模型,在EnterpriseWorldShift基准上预测效果较查表方法最高提升8.98 IoU。
2026-09-18 cs.AI
Four-Axis Decision Alignment for Long-Horizon Enterprise AI Agents
Vasundra Srinivasan
本文提出四轴对齐框架,用于评估长周期企业AI代理的决策行为,涵盖事实精度、推理连贯性、合规重建和校准回避,通过实验揭示了决策对齐的重要性。
2026-04-21 cs.AI
Topo-RAG: Topology-aware retrieval for hybrid text-table documents
Humanizing Internet
Topo-RAG通过双架构处理混合文本-表格文档,保留空间关系提升检索效果。
2026-01-15 cs.AI
Conversational Query Engine for Mixed-Modality Heterogeneous Enterprise Data Sources
PayPal Artificial Intelligence(PayPal人工智能)
提出COGNI系统,通过四层架构(索引、路由、检索、缓存)统一处理结构化与非结构化数据,实现高精度、低成本的混合模态查询。
2026-06-15 cs.AI cs.IR
Argo-Bench: Evaluating Data Agents on Enterprise-Scale Workflows
TextQL
Argo-Bench是一个评估框架,通过模拟纽约市外卖平台并构建企业级数据仓库,测试数据智能体在复杂工作流中的推理与行动能力,超越传统文本到SQL基准。
2026-10-02 cs.AI cs.CL cs.DB
Schemaless Queries over Document Tables with Dependencies
IBM Research(IBM研究院);Google, Inc.(谷歌公司)
非结构化的企业数据,如报告、手册和指南,通常包含表格。从这些表中集成数据的传统方法是通过两步过程:表检测/提取和将表布局映射到适当的模式。这可能是一个昂贵的过程。在本文中,我们表明,通过使用语义技术(RDF/SPARQL和数据库依赖)配对一个简单但强大的方式来转换表与非关系布局,它可以提供查询应答服务,这些表与最少的手工工作或特定于域的映射。我们的方法使用户能够利用嵌入在文档中的表中的数据,很少的努力,不仅对于简单的检索查询,而且对于结构化查询,需要加入多个相互关联的表。
2019-11-21 cs.AI cs.DB cs.IR
EnterpriseOps-Gym: Environments and Evaluations for Stateful Agentic Planning and Tool Use in Enterprise Settings
ServiceNow Research(ServiceNow研究院)
本文提出EnterpriseOps-Gym基准,用于评估企业环境中代理的规划能力。通过164个数据库表和512个功能工具模拟真实工作摩擦,评估14种前沿模型,发现状态-of-the-art模型在战略推理上存在显著不足,且代理常无法拒绝不可行任务。
2026-03-13 cs.AI cs.LG
Beyond the Harness: End-to-End Optimization of Context Artifacts for Enterprise Text-to-SQL
Amazon(亚马逊公司)
针对企业文本转SQL任务的上下文瓶颈,本文提出从历史查询生成可复用SQL参考卡片的端到端优化方法,在生产查询基准上取得显著优于优化检索框架的提升,在BEAVER基准上也实现了有效改进。
2026-08-25 cs.AI cs.LG