LLM arxiv每日论文总结TAdaRAG: Task Adaptive Retrieval-Augmented Ge

作者：Jie Zhang, Bo Tang, Wanzi Shao, Wenqiang Wei, Jihao Zhao, Jianqing Zhu, Zhiyu li, Wen Xi, Zehao Lin, Feiyu Xiong, Yanchao Tan

核心问题：传统 RAG 方法将外部知识截断为小块导致信息丢失，产生响应幻觉和推理链断裂，且检索的非结构化知识引入无关细节阻碍准确推理

主要方法：提出任务自适应 RAG 框架，通过意图驱动路由机制到领域特定提取模板，结合监督微调和基于强化学习的隐式提取机制，实现简洁、连贯、非冗余的知识集成

关键结果：在六个公共基准和真实业务基准 (NowNewsQA) 上评估，在三个骨干模型上超越现有方法，展现强大的泛化能力和实际有效性

研究意义：为 RAG 提供了动态知识图谱构建的新范式，显著提升了多领域和长文本任务的处理能力

作者：JoonHo Lee, HyeonMin Cho, Jaewoong Yun, Hyunjae Lee, JunKyu Lee, Juree Seok

核心问题：LLM 输出与人类安全偏好存在不对齐问题，需要轻量级的安全防护机制来检测有害内容和筛选对抗性提示

主要方法：构建包含两个专门模型的轻量级安全防护系统：ContentFilter 识别 MLCommons 危害分类中的安全风险，JailbreakFilter 通过精心设计的课程学习覆盖 60 种主要攻击类型

关键结果：基于 2B 参数的 Granite-3.3-2B-Instruct 模型，支持 12 种语言，在公共和专有安全基准上达到最先进的安全性能

研究意义：提供了轻量级、可部署的 LLM 安全解决方案，通过多类安全预测和置信度分数提高下游使用的可解释性

作者：Pengze Li, Jiaqi Liu, Junchi Yu, Lihao Liu, Mingyu Ding, Wanli Ouyang, Shixiang Tang, Xi Chen

核心问题：LLM 虽然能通过思维链提示产生推理式内容，但这些输出通常是非结构化和非正式的，难以判断模型是否真正理解科学推理的基本范式

主要方法：引入潜在推理链提取任务，要求模型将复杂推理论证分解为标准推理范式的组合，形成推理逻辑树 (RLT)，将所有推理步骤明确分类为 Peirce 的三种基本推理模式

关键结果：在 10 个领先 LLM 上评估发现模型在 REA 和 EC 之间存在权衡，目前尚无模型能够提取完整且标准的推理链

研究意义：揭示了当前推理模型能力与科学论证严谨性要求之间的显著差距，为 LLM 推理能力评估提供了新框架

作者：Xu Yang, Chenhui Lin, Haotian Liu, Qi Wang, Yue Yang, Wenchuan Wu

核心问题：有源配电网运营演变为复杂的多场景、多目标问题，工程师需要掌握、集成和协调异构领域特定模型，存在较大开销

主要方法：提出 ADN-Agent 架构，利用通用 LLM 协调多个领域特定模型，实现自适应意图识别、任务分解和模型调用，设计统一灵活的通信机制接口

关键结果：综合比较和消融实验验证了方法的有效性，ADN-Agent 架构在 LLM 应用范式中表现优异

研究意义：为智能电网运营提供了 LLM 协调领域模型的创新解决方案，显著提升了问题解决能力和系统效率

作者：Mengying Wang, Chenhui Ma, Ao Jiao, Tuo Liang, Pengjun Lu, Shrinidhi Hegde, Yu Yin, Evren Gurkan-Cavusoglu, Yinghui Wu

核心问题：现有 KGQA 系统通常优化返回高度相关但可预测的答案，缺乏利用 LLM 发现意外和新颖 ("serendipitious") 答案的能力

主要方法：正式定义 serendipity-aware KGQA 任务，提出 SerenQA 框架评估 LLM 在科学 KGQA 任务中发现意外洞察的能力，基于相关性、新颖性和惊喜度构建严谨的 serendipity 度量

关键结果：实验表明最先进的 LLM 在检索方面表现良好，但在识别真正令人惊讶和有价值的发现方面仍然困难