arXiv · cs.AI· Priyanshu Sinha, Kelsey McDonald·· 8 小时前
LLM 放射学报告问答：将可回答性与答案抽取分开评测
Dissociating Answerability from Extraction in LLM Question Answering over Radiology Reports
arXiv:2610.17576v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Priyanshu Sinha, Kelsey McDonald
研究任务与主要进展
作者提出一种放射学报告问答评测方法，将错误回答率、过度弃答率与F1分开报告，并将F1变化拆分为抽取和可回答性两部分。该方法在RadQA测试集上评估13个LLM：加入不可回答示例后，12个模型更频繁地弃答，但抽取表现未随之改变；按其他模型是否作答保留答案，可使零样本错误回答率下降4个百分点，且未检测到F1变化。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org