Retrieval-Augmented Clinical Benchmarking for Contextual Model Testing in Kenyan Primary Care: A Methodology Paper
Qhala;Kenya Medical Association(肯尼亚医学协会);Africa CDC(非洲疾病预防控制中心);AfCFTA(非洲大陆自由贸易区)
本文提出一种基于检索增强生成和肯尼亚国家指南的临床基准构建方法,创建 Alama Health QA 数据集并引入推理、安全与适应性评估指标,揭示 LLM 在非洲初级保健场景中的性能差距。
2025-07-19 cs.AI cs.CL
WeatherArchive-Bench: Benchmarking Retrieval-Augmented Reasoning for Historical Weather Archives
McGill University(麦吉尔大学);University of Waterloo(滑铁卢大学);ETH Zurich(苏黎世联邦理工学院);Beijing Jiaotong University(北京交通大学)
本文提出WeatherArchive-Bench,用于评估检索增强生成系统在处理历史天气档案中的能力,揭示密集检索器在历史术语上的不足及LLM对社会脆弱性与韧性概念的误判问题。
2026-04-19 cs.AI cs.CL
ConQRet: Benchmarking Fine-Grained Evaluation of Retrieval Augmented Argumentation with LLM Judges
Department of Computer Science(计算机科学系);Emory University(埃默里大学)
针对检索增强论证缺乏整体细粒度评估的问题,本文提出多LLM评判者自动评估方法,并构建基于真实网站证据的ConQRet基准以衡量检索、论证质量与依据性。
2024-12-06 cs.AI cs.CL cs.IR
Benchmarking Large Language Models in Retrieval-Augmented Generation
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学)
本文系统评估了检索增强生成(RAG)对大型语言模型的影响,构建了中英文基准RGB,测试了6个模型在噪声鲁棒性、负面拒绝、信息整合和反事实鲁棒性四方面能力,发现模型在负面拒绝、信息整合和虚假信息处理上仍有显著困难。
2023-12-20 cs.CL
Benchmarking Large Language Models with Augmented Instructions for Fine-grained Information Extraction
Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳));Paradigm. Inc.(第四范式公司);Tsinghua University(清华大学);HKUST(香港科技大学)
本研究针对大语言模型适配细粒度信息抽取的需求,构建了带增强指令的细粒度IE基准数据集,实验发现模型性能不由规模单一决定,架构等因素也很关键,为LLM在IE领域的精细化应用提供参考。
2023-10-08 cs.CL
KGCE: Knowledge-Augmented Dual-Graph Evaluator for Cross-Platform Educational Agent Benchmarking with Multimodal Language Models
Faculty of the School of Computer Science, Central China Normal University(中央财经大学计算机学院)
KGCE提出一种基于多模态语言模型的跨平台教育代理基准评估框架,通过知识库增强和双图评估方法提升对特定学校软件任务的执行效率和评估精度。
2026-01-04 cs.AI
TP-RAG: Benchmarking Retrieval-Augmented Large Language Model Agents for Spatiotemporal-Aware Travel Planning
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Baidu Inc.(百度公司)
TP-RAG提出了一种用于时空感知旅行规划的检索增强型大语言模型基准测试,通过整合参考轨迹提升旅行计划的空间效率和兴趣点合理性,采用EvoRAG框架实现更高效的时空合规性。
2025-04-11 cs.CL
RAG-RewardBench: Benchmarking Reward Models in Retrieval Augmented Generation for Preference Alignment
School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
为解决检索增强语言模型与人类偏好对齐中缺乏可靠奖励模型评估标准的问题,提出首个RAG奖励模型基准RAG-RewardBench,设计多跳推理等四个特定场景,全面评估45个模型并揭示现有方法在对齐上的不足。
2024-12-18 cs.AI cs.CL cs.IR
AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework
Alibaba(阿里巴巴)
针对金融分析中预测缺乏可解释性和实时信息整合不足的问题,本文提出AlphaFin数据集和Stock-Chain框架,结合检索增强生成技术,通过实验验证其在股票趋势预测和金融问答任务上的有效性。
2024-03-19 cs.CL
Abstention vs. Hallucination: Benchmarking LLM Source Attribution for Scientific Citations
AI Institute, USC(南加州大学人工智能学院);Ohio State University(俄亥俄州立大学)
针对LLM引用幻觉问题,提出REASONS基准(12,723个实例)和AR/HR双指标框架,评估多种归因方法,发现高级RAG降低幻觉率但减少弃权,强调系统需在不确定时适当弃权。
2026-09-17 cs.AI cs.CL cs.IR
Towards Automated Smart Contract Generation: Evaluation, Benchmarking, and Retrieval-Augmented Repair
The Hong Kong Polytechnic University(香港理工大学);Sun Yat-sen University(中山大学)
本文提出SolBench和RAR框架,通过基于执行的基准测试和检索增强修复方法,提升Solidity智能合约生成的准确性和效率。
2026-01-27 cs.AI cs.CL cs.SE
Benchmarking Retrieval-Augmented Large Language Models in Biomedical NLP: Application, Robustness, and Self-Awareness
Division of Computational Health Sciences, Department of Surgery University of Minnesota(大学医学计算科学系,外科系);Institute for Health Informatics University of Minnesota(健康信息学研究所,明尼苏达大学);Department of Electrical and Computer Engineering University of Minnesota(电气与计算机工程系,明尼苏达大学)
本文针对生物医学NLP场景,构建评估框架与测试平台,系统测评搭配不同检索器的代表性RAL在5类任务上的应用表现、三类鲁棒性及自我感知能力。
2025-11-14 cs.CL
RAGMark: A Comprehensive Framework for Benchmarking Retrieval-Augmented Generation Systems
Northeastern University(东北大学);College of William & Mary(威廉与玛丽学院)
提出模块化基准框架RAGMark,用于小规模多GPU环境下评估RAG系统各组件,揭示上下文缩减与重排序的复合效益及跨阶段交互,能耗可降66%。
2026-09-09 cs.AI cs.AR cs.IR
Benchmarking Large Language Models for Quebec Insurance: From Closed-Book to Retrieval-Augmented Generation
Group for Research in Artificial Intelligence of Laval University (GRAIL)(拉瓦尔大学人工智能研究组)
本文提出AEPC-QA基准测试,评估51个LLM在魁北克保险领域的闭卷和检索增强生成性能,揭示推理、RAG效果及专业化悖论等关键发现。
2026-03-08 cs.CL
LIT-RAGBench: Benchmarking Generator Capabilities of Large Language Models in Retrieval-Augmented Generation
neoAI Inc.(neoAI公司);Tokyo Metropolitan University(东京 Metropolitan 大学);The University of Tokyo(东京大学)
LIT-RAGBench通过五个类别评估生成器的整合、推理、逻辑、表格和回避能力,提供统一的基准测试框架,用于评估多方面能力并指导模型选择与改进。
2026-04-29 cs.CL
Benchmarking Chinese Commonsense Reasoning with a Multi-hop Reasoning Perspective
Douyin Content Group, ByteDance(字节跳动内容部);School of Computer Science and Technology, Soochow University(苏州大学计算机科学与技术学院)
提出中文常识多跳推理基准CCMOR,通过LLM流水线生成多跳问题并人工验证,评估发现大模型在长尾知识与知识密集型推理上存在局限,而检索增强生成可显著提升性能。
2025-10-09 cs.AI cs.CL
Large Language Models for Classical Chinese Poetry Translation: Benchmarking, Evaluating, and Improving
School of Computer Science and Technology, Harbin Institute of Technology(哈尔滨工业大学计算机科学与技术学院);Pengcheng Laboratory(鹏城实验室)
本文构建中国古典诗歌翻译基准PoetMT并提出基于GPT-4的评估指标,进而设计检索增强机器翻译方法RAT,实验证明其在自动指标和人工评估上均优于现有方法。
2024-12-30 cs.AI cs.CL
JuDGE: Benchmarking Judgment Document Generation for Chinese Legal System
DCST, Tsinghua University(清华大学数据科学研究院)
本文提出JuDGE基准,用于评估中国法律系统中的判决书生成任务,通过构建真实案件数据集与外部法律语料库,并联合法律专家建立自动化评估框架,验证了少样本学习、微调及多源RAG方法,发现RAG有效但仍有改进空间。
2025-04-30 cs.AI cs.CL cs.IR
OKBench: Democratizing LLM Evaluation with Fully Automated, On-Demand, Open Knowledge Benchmarking
University of Chicago(芝加哥大学);TTI-Chicago(芝加哥技术研究所);UC Santa Barbara(圣巴巴拉大学);Stony Brook University(石溪大学)
针对静态知识基准无法捕捉动态知识、集中式编纂滞后于LLM发展的问题,提出全自动智能体框架OKBench,按需生成新闻领域动态知识基准,评估显示其能揭示模型应对新信息的行为并验证检索对缩小模型性能差距的作用。
2025-10-31 cs.AI cs.CL
ENPMR-Bench: Benchmarking Proactive Memory Retrieval for Emotional Support Agents
Research Center for Social Computing and Interactive Robotics(社会计算与交互机器人研究中心)
提出ENPMR-Bench基准,基于马斯洛需求层次评估情感支持代理主动推断用户潜在情感需求并检索适当记忆的能力,实验表明当前检索范式存在显著缺陷。
2026-05-26 cs.CL
CUB: Benchmarking Context Utilisation Techniques for Language Models
Chalmers University of Technology(查尔姆斯理工大学);University of Gothenburg(哥德堡大学);Seoul National University(首尔国立大学);University of Copenhagen(哥本哈根大学);Ewha Womans University(成均馆大学)
本文提出CUB基准,用于评估语言模型在不同噪声上下文下的上下文利用技术,发现现有方法在真实场景中存在不足,需更全面的测试。
2026-04-27 cs.AI cs.CL
Benchmarking Cognitive Domains for LLMs: Insights from Taiwanese Hakka Culture
National United University(联合大学);United Link Co., Ltd.(联科股份有限公司)
本研究基于Bloom分类法构建了评估LLMs客家文化知识的六维度认知基准,并验证了RAG技术在提升事实检索准确性方面的有效性与在创造性任务中的局限性。
2024-09-25 cs.AI cs.CL
Oogiri-Master: Benchmarking Humor Understanding via Oogiri
CyberAgent;Nara Institute of Science and Technology(奈良科学技術大學)
Oogiri-Master通过Oogiri基准测试,利用大量候选回应和独立评分机制,评估LLMs的幽默理解能力,并揭示语言因素与趣味性之间的关系。
2025-12-25 cs.AI cs.CL
Backtrader-Bench: Benchmarking LLM Agents on Algorithmic Trading with Self-Generated MCQs
University of California, Riverside(加利福尼亚大学河滨分校)
Backtrader-Bench是用于算法交易LLM智能体的基准框架,通过自生成MCQ解决评估难题,实验显示带工具智能体准确率显著高于无工具模型,还可生成强化学习训练语料以构建专用量化交易智能体。
2026-08-13 cs.AI cs.CL
PHYSICS: Benchmarking Foundation Models on University-Level Physics Problem Solving
Yale University(耶鲁大学);New York University(纽约大学);Notre Dame University(诺特丹大学)
本文提出PHYSICS基准测试,用于评估大学水平物理问题求解能力,包含1297个专家标注的问题,涵盖六个核心领域,并通过自动化评估系统揭示了领先基础模型的显著局限性。
2025-03-26 cs.AI
Enhancing Distractor Generation for Multiple-Choice Questions with Retrieval Augmented Pretraining and Knowledge Graph Integration
National Chung Hsing University(国立中兴大学)
该研究针对选择题干扰项生成任务,提出检索增强预训练方法并融合知识图谱,在MCQ、Sciq基准数据集上的F1@3分数均优于现有最优水平,有效提升了任务性能。
2024-06-19 cs.CL
Multimodal Benchmarking and Recommendation of Text-to-Image Generation Models
Computer Engineering Dept. San José State University(计算机工程系圣何塞州立大学)
本文提出一个开源统一评估框架,利用DeepFashion-MultiModal数据集和多种定量指标,证明元数据增强提示能提升文本到图像模型的视觉真实感、语义保真度与鲁棒性,并支持任务特定的模型选择与提示设计推荐。
2025-05-06 cs.AI cs.GR cs.IR
Ground-Truth Subgraphs for Better Training and Evaluation of Knowledge Graph Augmented LLMs
Graphcore Research(Graphcore研究院)
SynthKGQA通过生成高质量的知识图谱问答数据集,提升知识图谱增强大语言模型的训练和评估效果。
2026-09-22 cs.AI cs.CL cs.IR
CangjieBench: Benchmarking LLMs on a Low-Resource General-Purpose Programming Language
本文提出CangjieBench,用于评估大语言模型在低资源通用编程语言上的表现,通过248个高质量样本覆盖文本到代码和代码到代码任务,发现语法受限生成在准确性和计算成本之间取得最佳平衡。
2026-08-14 cs.AI cs.CL cs.SE
Automated Factual Benchmarking for In-Car Conversational Systems using Large Language Models
Technical University of Munich(慕尼黑工业大学);BMW Group(宝马集团);fortiss GmbH(fortiss有限公司)
本文提出一种基于LLM的车载对话系统自动化事实基准测试方法,结合GPT-4与提示技术,在事实正确性上与专家评估达成超90%一致率,且响应高效。
2025-04-01 cs.AI cs.CL cs.LG
KnowMe-Bench: Benchmarking Person Understanding for Lifelong Digital Companions
UCAS(中国科学院大学);QuantaAlpha;PKU(北京大学);CITYU-DG(城市大学-数据科学);HAINNU(海南师范大学);UTHealth(德克萨斯大学健康科学中心);NUS(新加坡国立大学);IAPM (Guangdong)(粤港澳大湾区人工智能研究院)
KnowMe-Bench通过长篇自传式叙述构建,评估模型在事实记忆、主观状态归因和原则推理方面的能力,揭示检索增强系统在时间相关解释和高层推理上的不足。
2026-04-19 cs.AI cs.IR
EvoBrowseComp: Benchmarking Search Agents on Evolving Knowledge
Northeastern University, China(东北大学(中国));Weixin AI, Tencent Inc, China(腾讯微信AI(中国))
提出EvoBrowseComp,一个通过实时网络遍历自动生成400道英文和400道中文无污染复杂问题的演化基准,用于评估搜索智能体在动态知识环境中的真实浏览能力。
2026-09-01 cs.CL
TEA-Bench: A Systematic Benchmarking of Tool-enhanced Emotional Support Dialogue Agent
Harbin Institute of Technology(哈尔滨工业大学)
本文提出TEA-Bench,首个评估工具增强情感支持对话代理的交互式基准,通过真实情感场景和工具环境评估情感支持质量和事实性。实验表明工具增强提升情感支持质量并减少幻觉,但效果依赖模型能力。
2026-05-08 cs.AI
GraphRAG on Consumer Hardware: Benchmarking Local LLMs for Healthcare EHR Schema Retrieval
Department of Computer Engineering(计算机工程系);California Polytechnic State University(加州州立大学波特兰分校)
本文研究了在消费级硬件上使用本地LLMs进行医疗EHR模式检索的GraphRAG方法,评估了四种不同模型在索引效率、知识图构建、查询延迟、回答质量和幻觉方面的表现,发现模型参数大小和检索模式对结果有显著影响。
2026-05-20 cs.AI cs.CL cs.IR
RAGe: A Retrieval-Augmented Generation Evaluation Framework
School of Technology, Pontifical Catholic University of Rio Grande do Sul(里约格兰德杜斯-萨尔大学技术学院)
提出模块化框架RAGe,通过资源遥测和组件推荐,评估检索增强生成应用在准确性、效率和可扩展性之间的权衡,支持领域特定数据集的最佳组件选择。
2026-05-23 cs.AI cs.IR
PLSQLBench: Benchmarking LLM Systems for Executable Procedural Database Programming
Oracle AI, Turing Enterprise Inc(Oracle AI 图灵企业公司)
本研究提出首个过程式数据库编程基准PLSQLBench,含2865个任务实例,经8个LLM实验发现其在多方面存在困难,工具增强智能体性能有提升但仍有差距,凸显了传统基准未覆盖的能力。
2026-08-18 cs.CL
BioCoref: Benchmarking Biomedical Coreference Resolution with LLMs
Computational Bioscience Program University of Colorado Anschutz Medical Campus(科学生物学程序,科罗拉多大学安舒茨医学校区);Department of Pediatrics University of Chicago(儿科学系,芝加哥大学)
本研究针对生物医学共指消解的独特挑战,以CRAFT语料库为基准,通过多组提示实验评估生成式LLMs的性能并与SpanBERT对比,发现实体增强提示可提升LLaMA等模型效果,证明轻量级提示工程在生物医学NLP中的潜力。
2025-10-29 cs.CL cs.LG
StratRAG: A Multi-Hop Retrieval Evaluation Dataset for Retrieval-Augmented Generation Systems
Department of Computer Science(计算机科学系);California State University, Fresno(加州州立大学,弗雷斯诺分校)
本文提出StratRAG数据集,用于评估检索增强生成系统在多跳推理任务中的表现,通过三种检索策略对比,发现混合检索效果最佳,但桥接问题仍较难。
2026-03-06 cs.AI cs.IR
ArtECulture: Benchmarking Culture-Conditioned Visual Emotion Understanding in Multimodal Large Language Models
针对现有视觉情感理解方法忽略文化差异的问题,提出ArtECulture基准与检索增强型文化条件情感理解框架,评估多模态大语言模型在该任务上的表现并验证框架的提升效果。
2026-08-05 cs.CL cs.CV
TARGET: Benchmarking Table Retrieval for Generative Tasks
UC Berkeley(伯克利大学);Capital One(Capital One公司);CWI(荷兰代尔夫特理工大学)
针对生成式任务中合适表格检索的核心问题,提出表格检索基准TARGET,评估不同检索器性能及对下游任务影响,发现稠密嵌入检索器优于BM25,且检索性能受元数据、数据集和任务影响差异显著。
2025-05-14 cs.AI cs.CL cs.DB
Benchmarking Content-Based Puzzle Solvers on Corrupted Jigsaw Puzzles
Machine Learning and Data Analytics Lab, Department Artificial Intelligence in Biomedical Engineering, Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)(机器学习与数据分析实验室,人工智能生物医学工程系,弗里德里希-亚历山大-亚琛-纽伦堡大学);Siemens Healthineers AG(西门子医疗影像股份有限公司)
本文评估了三种类型的图片拼图腐蚀对基于内容的谜题求解器的影响,发现深度学习模型通过微调增强数据能显著提高鲁棒性,位置扩散模型表现尤为突出。
2026-01-07 cs.AI cs.CV
CLaw: Benchmarking Chinese Legal Knowledge in Large Language Models - A Fine-grained Corpus and Reasoning Analysis
Peking University(北京大学);LLM-Core
针对LLM法律知识可靠性问题,提出CLaw基准,含306部中国法律细粒度语料与254个案例推理实例,发现模型复现法条困难,强调知识检索与推理协同。
2025-09-25 cs.CL
Benchmarking Children's ASR with Supervised and Self-supervised Speech Foundation Models
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
该研究针对儿童 ASR 缺乏系统基准的问题,评估多种监督与自监督语音基础模型,并比较数据增强和 PEFT 微调策略,提出 PIF 损失以稳定增强数据微调。
2024-06-15 cs.CL cs.SD eess.AS
BeliefShift: Benchmarking Temporal Belief Consistency and Opinion Drift in LLM Agents
Independent AI Researcher(独立AI研究员);University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);Independent Researcher(独立研究员)
BeliefShift提出一个长期基准测试,评估多会话LLM交互中的信念动态,涵盖时间信念一致性、矛盾检测和证据驱动修正三个赛道,通过2400个标注交互轨迹验证模型在零样本和RAG设置下的表现。
2026-03-25 cs.CL cs.CY
Benchmarking Text-to-SQL under Role-Based Access Control
National University of Singapore(新加坡国立大学);Hamad Bin Khalifa University(哈马德·本·卡西姆大学)
研究基于角色的访问控制下文本到SQL的基准测试问题,提出含现实RBAC约束的综合基准测试框架,通过大语言模型辅助工作流程及人工审核等增强基准,应用该框架研究发现部分高分系统在有访问约束时性能因RBAC违规而大幅下降。
2026-09-24 cs.AI cs.DB
MamaBench: Benchmarking LLM Robustness in Maternal and Child Health Diagnosis through Counterfactual Clinical Perturbation
Helpmum Africa(非洲帮助妈妈组织);University of Ibadan(伊巴丹大学)
研究针对大语言模型在母婴健康诊断中缺乏对临床相似表现区分能力的问题,提出MamaBench基准及EA - RAG方法,通过实验揭示基础准确率高估稳健准确率现象,EA - RAG有效降低BTR,提升稳健准确率,为临床人工智能反事实稳健性研究提供参考。
2026-07-21 cs.CL cs.LG
Benchmarking data-driven material models on the classic Treloar dataset
Friedrich-Alexander-Universität Erlangen-Nürnberg(弗里德里希-亚历山大-埃尔兰根-纽伦堡大学);Stanford University(斯坦福大学)
该研究以Treloar数据集为基准,对比多种超弹性机器学习框架的性能、成本等,明确各方法优缺并提供应用指导,相关代码与数据公开。
2026-08-17 cs.AI cs.CE
OP-Bench: Benchmarking Over-Personalization for Memory-Augmented Personalized Conversational Agents
Harbin Institute of Technology(哈尔滨工业大学)
OP-Bench通过评估多种模型和方法,揭示了内存增强对话代理中过个性化问题的普遍性,并提出Self-ReCheck机制以缓解该问题。
2026-09-29 cs.AI cs.CL
Benchmarking Retrieval-Augmented Generation for Medicine
Univeristy of Virginia(弗吉尼亚大学);National Library of Medicine, National Institutes of Health(美国国立卫生研究院国家医学图书馆)
本文提出医学RAG评测基准MIRAGE和MedRAG工具包,通过大规模实验系统评估不同语料库、检索器与LLM组合,发现最佳配置可将模型准确率提升至多18%,并为医学RAG实践提供指导。
2024-02-23 cs.AI cs.CL
LaRA: Benchmarking Retrieval-Augmented Generation and Long-Context LLMs -- No Silver Bullet for LC or RAG Routing
The Hong Kong University of Science and Technology(香港科技大学);Alibaba Group(阿里巴巴集团);Penn State University(宾夕法尼亚州立大学)
提出LaRA基准,通过2326个测试用例系统比较RAG与LC LLMs,发现两者最优选择取决于模型参数、长文本能力、上下文长度、任务类型及检索片段特征等复杂因素,为LLM应用部署提供实用指南。
2025-03-05 cs.AI cs.CL
RAGCap-Bench: Benchmarking Capabilities of LLMs in Agentic Retrieval Augmented Generation Systems
National University of Singapore(新加坡国立大学);The Chinese University of Hong Kong(香港中文大学)
本文提出RAGCap-Bench,用于评估代理检索增强生成系统中中间任务的细粒度能力,通过分析现有系统输出识别常见任务和核心能力,设计针对性评估问题,实验表明增强中间能力的模型能获得更好的整体性能。
2026-05-21 cs.CL
Benchmarking Bengali Dialectal Bias: A Multi-Stage Framework Integrating RAG-Based Translation and Human-Augmented RLAIF
Department of Computer Science and Engineering(计算机科学与工程系)
本文提出一个多阶段框架,通过基于RAG的翻译和人类增强的RLAIF评估九种印地语方言的偏见。研究发现方言差异导致性能下降,模型规模增加不总是缓解偏见。
2026-09-29 cs.AI cs.CL cs.CY
BERGEN: A Benchmarking Library for Retrieval-Augmented Generation
NAVER LABS Europe(NAVER欧洲实验室)
本文提出开源端到端基准测试库 BERGEN,以标准化 RAG 实验,并系统比较检索器、重排序器、LLM、数据集与评价指标。
2024-07-01 cs.CL cs.IR
Benchmarking Retrieval-Augmented Generation for Chemistry
Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校Siebel计算与数据科学学院);National Library of Medicine, National Institutes of Health(美国国立卫生研究院国家医学图书馆)
本文提出ChemRAG-Bench和Toolkit,用于评估RAG在化学领域的有效性,并展示RAG在化学任务中比直接推理方法有17.4%的性能提升。
2026-02-16 cs.AI cs.CL cs.IR