🔥 今日值得一读
选择性问答新突破！证据充分性边界训练让模型精准判断何时作答，翻转准确率0.807碾压基线！
Learning Evidence Sufficiency Boundaries for Selective Answering in Grounded Multi-Hop QA
👨💼 主理人解读 · 为什么值得关注
用于构建更可靠的问答系统，开发者可训练模型识别证据充分性，在信息不足时自动弃答，避免误导性回答。
📖 AI 总结
该研究聚焦于多跳问答系统中的选择性回答能力，提出模型应在证据不足时拒绝作答，在证据充分时给出答案，并在冗余证据加入后保持答案稳定。作者引入证据充分性边界训练框架，通过构建有序证据链，直接监督模型从弃答到作答的转换过程，并结合层级监督、边界翻转裕度、边界后稳定性及答案召回保护等策略。基于HotpotQA、2WikiMultiHopQA和MuSiQue构建证据链进行实验，采用Qwen2.5-3B-Instruct与LoRA微调，结果显示该方法在边界定位上表现最优，翻转准确率达0.807，优于基线0.781；在外部不可回答集上的不支持答案率最低（0.095），同时保持有竞争力的原始QA F1值。研究表明，在训练中明确标注拒答与作答的证据边界，能显著提升基于证据的选择性回答质量。
🔑 关键词速览
| Evidence Sufficiency Boundary Training | 一种训练方法，通过构建有序证据链并监督模型从弃权到回答的转换，来学习证据充分性的边界。 |
| Grounded Multi-Hop QA | 基于证据的多跳问答，要求系统在多个推理步骤中利用提供的证据来回答问题。 |
| Selective Answering | 选择性回答，指模型在证据不足时选择放弃回答，仅在证据充分时给出答案。 |
| Abstention | 弃权，即模型在不确定或证据不足时不提供答案的行为。 |
| LoRA | 低秩适配，一种参数高效的微调方法，通过添加低秩矩阵来适应预训练模型。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅