阿里通义实验室推出MaskSearch框架，提升大模型推理与搜索能力。小模型表现接近大模型，兼容监督微调和强化学习，显著提升开放域问答性能。通过检索增强型掩码预测任务，模型有效学习信息处理与搜索引擎使用，适应多领域任务。

本研究提出了RoleRAG统一框架，解决了检索增强生成（RAG）方法在多任务处理中的整合问题。通过角色特定令牌优化，该框架实现了高效的多任务处理，降低了资源消耗，并在开放域问答数据集上取得了良好效果。

本研究提出了一种新颖的句子选择方法（FastFiD），用于解决开放域问答中推理效率低的问题。实验证明，该方法在保持模型性能的情况下，推理速度提升了2.3至5.7倍。

本文提出了一种基于大型语言模型的自我点拨框架，可以在不需要训练数据和外部知识库的情况下实现开放域下的问答任务。实验结果表明，该方法在三个广泛使用的ODQA数据集上优于之前的最先进方法，平均提高了8.8个百分点，并且能够与多种检索增强的微调模型相比较的性能。

本文提出了一种基于大型语言模型的自我点拨框架，可以在不需要训练数据和外部知识库的情况下实现开放域下的问答任务。实验结果表明，该方法在三个广泛使用的 ODQA 数据集上优于之前的最先进方法，能够实现与多种检索增强的微调模型相比较的性能。