新基准显示对话与文档联合推理准确率最高仅 56.7%。
资讯摘要
论文提出 DuSE-Bench 基准，含 1000 个任务、覆盖五个场景，其中 700 个任务所需前提同时来自对话与文档。基准用演化 Support Graph 构建任务，并保留更新事实与复用结论到原始对话轮次和文档段落的链接；标注区分依据来源与状态依赖，可分别评估回答内容、回答类型与来源归因。作者报告 11 种基线配置在联合依据任务上内容准确率最高 56.7%，内容准确率提升可能伴随回答选择变差，内容正确的回答常缺少完整证据归因。
要点速读
- DuSE-Bench 含 1000 个任务、五个场景，700 个任务的前提同时来自对话和文档。
- 演化 Support Graph 保留更新事实与复用结论到原始轮次、段落的链接，标注区分依据来源与状态依赖。
- 11 种基线配置在联合依据任务上内容准确率最高 56.7%，且内容正确回答常缺少完整来源归因。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。