Este estudo apresenta a primeira aplicação de um modelo de Geração Aumentada por Recuperação (RAG) para resposta a perguntas jurídicas em nepalês, abordando a escassez de dados em idiomas com poucos recursos. Utilizando BM25 em documentos segmentados, o pipeline RAG alcançou alta precisão e veracidade, demonstrando sua eficácia no domínio jurídico nepalês.
Este conteúdo apresenta CGD-PD, uma camada leve para modelos de linguagem grandes (LLMs) que melhora a resposta a perguntas lógicas de três vias (Verdadeiro/Falso/Desconhecido). Ele aborda falhas recorrentes como inconsistência de negação e previsões 'Desconhecido' epistêmicas, utilizando decisões consistentes e desambiguação baseada em prova para maior precisão.
GRISP é um novo método de resposta a perguntas baseado em SPARQL sobre grafos de conhecimento, que utiliza um pequeno modelo de linguagem (SLM) ajustado. Ele gera esqueletos de consulta SPARQL a partir de perguntas em linguagem natural e os refina selecionando itens do grafo, alcançando resultados de ponta em benchmarks como Wikidata e Freebase.
O artigo apresenta um conjunto de dados sintético de rastreamento de raciocínio contrastivo para Q&A multi-tabelas (MMQA), visando fornecer supervisão de raciocínio ausente em recursos existentes. Modelos LLM de peso aberto, ajustados com Otimização de Preferência Contrastiva (CPO) usando este conjunto de dados, exibiram melhorias significativas de desempenho.
Este artigo de pesquisa argumenta que o gargalo no raciocínio temporal de grandes modelos de linguagem não reside na dedução lógica, mas sim na representação não estruturada de texto para evento. Ele introduz uma estrutura neuro-simbólica de perguntas e respostas que usa um Sinal de Inconsistência Probabilística (PIS) para dissociar a extração semântica do raciocínio simbólico.
HypEHR é um novo modelo compacto que utiliza geometria hiperbólica para responder a perguntas sobre Registros Eletrônicos de Saúde (EHR), superando os desafios de custo e estrutura hierárquica dos métodos baseados em LLM. Ele é pré-treinado para predição de diagnósticos e alinhamento com ontologias médicas, alcançando desempenho comparável a LLMs com muito menos parâmetros.
GQA é um novo conjunto de dados projetado para desafiar e avaliar sistemas de IA em raciocínio visual e resposta a perguntas composicionais. Ele visa promover a compreensão da cena e a interação multimodal em cenários do mundo real.
O artigo aborda os desafios do processamento automatizado de PDFs para IA, especialmente com sistemas RAG, propondo um estudo empírico. Ele avalia diferentes parsers de PDF e estratégias de chunking para Resposta a Perguntas no domínio financeiro, introduzindo um novo benchmark chamado TableQuest.
Este artigo apresenta o FinAgent-RAG, um framework RAG agêntico para resposta a perguntas em documentos financeiros, focando em raciocínio numérico complexo. Ele orquestra loops iterativos de recuperação e raciocínio com auto-verificação, incorporando um Contrastive Financial Retriever e um módulo Program-of-Thought para aritmética precisa.