.png){kind=icon}
返回
Coordinated LLM multi-agent systems for collaborative question-answer generation
.png){kind=icon}
OA
AI
DOI：10.1016/j.knosys.2025.114627.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 我们提出CIR3，一种用于全面且忠实问答生成的创新框架。
• CIR3的高效信息流能够实现深入文档分析。
• 我们在CIR3中采用交互式推理以实现更深层次的理解。
• 我们的方法通过多视角评估确保观点的平衡性。
• CIR3的平衡集体收敛性产生了稳健的结果。
• CIR3提升了问答的全面性（+23）和忠实性（+17）。
Keyword:
Question-answer generation
Data augmentation
Large language models
Multi-agent coordination
Multi-perspective analysis
Domain-specific
Cross-model agreement
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
Y. Meng, L. Pan, Y. Cao, M.-Y. Kan, FollowupQG: towards information-seeking follow-up question generation, in: J. C. Park, Y. Arase, B. Hu, W. Lu, D. Wijaya, A. Purwarianti, A. A. Krisnadhi (Eds.), Proceedings of the 13th International Joint Conference on Natural Language Processing and the 3rd Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics (Volume 1: Long Papers), Association for Computational Linguistics, Nusa Dua, Bali, 2023, pp. 252–271. 10.18653/v1/2023.ijcnlp-main.17Y. Meng, L. Pan, Y. Cao, M.-Y. Kan, FollowupQG: 面向信息寻求的后续问题生成，载于：J. C. Park, Y. Arase, B. Hu, W. Lu, D. Wijaya, A. Purwarianti, A. A. Krisnadhi 主编，《第13届自然语言处理国际联合会议暨第3届亚太计算语言学协会会议论文集（第一卷：长文）》第252-271页，计算语言学协会，巴厘岛努沙杜瓦，2023年。10.18653/v1/2023.ijcnlp-main.17.png)
IF0
PREAI
分享收藏V. Puranik, A. Majumder, V. Chaoji, PROTEGE: Prompt-based diverse question generation from web articles, in: H. Bouamor, J. Pino, K. Bali (Eds.), Findings of the Association for Comput. Linguist.: EMNLP 2023, Association for Computational Linguistics, Singapore, 2023, pp. 5449–5463. 10.18653/v1/2023.findings-emnlp.362V. Puranik, A. Majumder, V. Chaoji, PROTEGE: 基于提示的多样化问题生成来自网络文章，载于：H. Bouamor, J. Pino, K. Bali (编)，计算语言学协会论文集：EMNLP 2023, 计算语言学协会，新加坡，2023, 第5449-5463页。10.18653/v1/2023.findings-emnlp.362
IF0
PREAI
分享收藏A. Ushio, F. Alva-Manchego, J. Camacho-Collados, An empirical comparison of LM-based question and answer generation methods, in: A. Rogers, J. Boyd-Graber, N. Okazaki (Eds.), Findings of the Association for Comput. Linguist.: ACL 2023, Association for Computational Linguistics, Toronto, Canada, 2023, pp. 14262–14272. 10.18653/v1/2023.findings-acl.899A. Ushio, F. Alva-Manchego, J. Camacho-Collados, 基于语言模型的问题与答案生成方法的经验比较, 见: A. Rogers, J. Boyd-Graber, N. Okazaki (编), 计算语言学协会发现集: ACL 2023, 计算语言学协会, 加拿大多伦多, 2023, 第14262–14272页。10.18653/v1/2023.findings-acl.899
IF0
PREAI
分享收藏Efficient Memory Management for Large Language Model Serving with PagedAttention使用PagedAttention服务的大型语言模型的有效内存管理
OAAI
OAAI分享收藏Difficulty-Controllable Neural Question Generation for Reading Comprehension using Item Response Theory基于项目反应理论的难度可控阅读理解神经问题生成OAAI
OAAI分享收藏Selecting Better Samples from Pre-trained LLMs: A Case Study on Question Generation从预训练大型语言模型中选择更好的样本：一个关于问题生成的案例研究OAAI
OAAI分享收藏
查看更多内容