用AgenticLU长上下文理解，LLM澄清链CoC实现自学，答案召回率高达97.8% | 最新

文章预览

写在最后  点击上方 蓝字 关注我 本文：4700字阅读 12分钟 LLM一个突出的挑战是如何有效处理和理解长文本。就像下图所示，准确率会随着上下文长度显著下降，那么究竟应该怎样提升LLM对长文本理解的准确率呢？ 最近，来自AMD和UC San Diego的研究团队提出了一个创新的解决方案——AgenticLU（Agentic Long-Context Understanding）框架，通过引入"澄清链"（Chain-of-Clarifications，CoC）机制，实现了长文本理解能力的突破性提升，在NarrativeQA数据集上取得了97.8%的惊人答案召回率。这个实验结果是目前已知最好的结果。我们看下这篇文章介绍了什么： 图片由修猫创作 框架整体架构 AgenticLU的整体架构如下图 所示，包含三个主要部分： 1.  传统LLM的局限性 ： • 在处理长文本QA任务时容易失败 • 直接回答往往无法准确定位关键信息 • 缺乏系统性的理解过程 2.  AgenticLU ………………………………