arXiv cs.AI· Harshit Joshi, Priyank Shethia, Jadelynn Dao, Monica S. Lam·· 1 天前AI 评分34
SLIDERS：用自主数据库对账为系统综述自动合成证据
SLIDERS: Evidence Synthesis with Autonomous Database Reconciliation for Systematic Reviews
AI 导读
SLIDERS 是一种基于 LLM 的方法，可针对系统综述的研究问题自动组装证据表，核心是自主证据对账编码智能体，通过迭代编写 SQL 整合跨文档的碎片化信息、消解不一致并去重。
正文 · AI 翻译
摘要：系统综述需要从大规模文档语料库中全面综合证据，以回答特定的研究问题，是金融、社会科学及其他技术领域的基础性工作。人工构建证据表是劳动密集型工作，而近期基于嵌入或关键词搜索的 LLM 辅助工具往往无法达到系统综述的覆盖标准。我们提出 SLIDERS，一种基于 LLM 的新方法，用于为系统综述自动汇编针对研究问题定制的证据表。SLIDERS 提取全文摘录，作为直接证据或结构化数据的来源。SLIDERS 的核心是一个自主证据协调编码智能体，它迭代编写 SQL 来分析和协调提取的证据，将分散在文档中的信息汇集起来，解决不一致并去除记录中的重复项。我们在 BrowseComp+ 上评估 SLIDERS，达到 90% 的准确率，并表明在 LLM 上下文窗口内的其他基准上它优于所有基线。为评估可扩展性，我们引入两个新的证据综合基准 WikiCeleb100（390 万 token）和 FinQ100（3600 万 token），其中包含超出原始研究查询的后续问题。尽管 SLIDERS 仅知道原始问题就综合证据，但它在 WikiCeleb100 和 FinQ100 上分别正确回答了所有问题的 78.9% 和 55.2%
| 评论： | 62 页（正文 10 页），NeurIPS 2026 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2604.22294 [cs.CL] |
| （或 arXiv:2604.22294v3 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2604.22294 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Harshit Joshi [查看邮箱]
[v1]
2026 年 4 月 24 日星期五 07:16:44 UTC（1,284 KB）
[v2]
2026 年 7 月 9 日星期四 20:36:49 UTC（708 KB）
[v3]
2026 年 11 月 11 日星期三 09:03:00 UTC（648 KB）
来源：arXiv cs.AI · arxiv.org