知识卡片：面向BioASQ 14b的答案类型感知LLM流水线

英文标题： From Voting to Agent Collaboration: Answer-Type-Aware LLM Pipelines for BioASQ 14b
英文关键词： biomedical question answering; LLM pipelines; answer-type-aware; BioASQ; multi-agent; factoid; yes/no; list questions

一句话结论

该研究针对生物医学问答任务，根据问题类型（是非题、事实题、列表题）分别设计不同的LLM推理流程，在BioASQ 14b Task B官方评测中表现具有竞争力，并在Batch 4的事实题子任务中获得第一名。

事件概述或研究问题

生物医学问答不仅需要从科学文献中准确提取信息，还需要跨文档可靠地整合证据。现有方法通常对所有问题采用相同的提示策略，忽略了不同问题类型在推理和评估上的差异。本研究旨在通过问题类型感知的LLM流水线提升答案的鲁棒性和证据可靠性。

方法/产品要点

• 三类问题分别处理：
  • 是非题（Yes/No）： 使用片段混洗（snippet shuffling）和自反思（self-reflection）减少对证据顺序的敏感性，提高决策稳定性。
  • 事实题（Factoid）： 输入完整片段，结合基于思维链（Chain-of-Thought）的上下文学习，支持准确的生物医学实体识别。
  • 列表题（List）： 采用多智能体架构，协作完成证据提取、候选生成、答案验证和最终聚合。
• 初步实验： 在BioASQ 13b上确定各问题类型的有效推理策略。
• 最终评估： 在官方BioASQ 14b Task B挑战赛中执行。

主要结果或产业意义

• 该框架在多个批次中表现具有竞争力，在Batch 4的事实题子任务中排名第一。
• 结果表明，结合问题类型特异的推理、集成预测和基于智能体的验证，能够提升生物医学问答的可靠性。
• 产业意义：为需要高精度生物医学信息检索的应用（如临床决策支持、药物研发）提供了可参考的方法论。

为什么重要

生物医学文献体量巨大且证据常分散于多篇文档，通用问答方法容易因提示策略单一导致答案不稳定。本研究通过区分问题类型并定制化流程，显著提高了答案的鲁棒性和证据追溯能力，推动了LLM在专业领域问答中的实用化。

局限与不确定性

• 待核实：论文未在摘要中说明跨批次总体排名、是否覆盖所有批次、计算资源消耗或模型规模等信息。
• 待核实：仅针对BioASQ 14b Task B，方法的通用性（如其他领域问答或不同类型评测集）尚未验证。

可用于图书/PPT/简报的角度

• 展现“大模型+专业领域”的落地实践：如何通过分而治之的思路克服单一模型策略的缺陷。
• 作为“多智能体系统”在问答任务中的案例：列表题的多智能体协作流程可直观展示分工与验证机制。
• 突出“事实题第一名”亮点，适用于强调方法有效性的宣传页或报告。

原始材料

• 论文标题：From Voting to Agent Collaboration: Answer-Type-Aware LLM Pipelines for BioASQ 14b
• arXiv ID：2607.06452v1
• 作者：Taeyun Roh, Eunha Lee, Wonjune Jang, Sohyun Chung, Junha Jung, Jaewoo Kang
• 发布/更新日期：2026-07-07
• 类别：cs.CL, cs.AI
• 摘要链接：https://arxiv.org/abs/2607.06452v1
• PDF链接：https://arxiv.org/pdf/2607.06452v1