本研究提出了MRCEval基准，旨在全面评估机器阅读理解（MRC）能力，解决现有数据集仅评估特定方面的问题。研究表明，即使在大型语言模型时代，MRC仍面临重大挑战。

本文评述了机器阅读理解中的可解释性基准与方法，探讨了表示和推理的挑战及其解决步骤，并提出了评估解释性系统性能的方法，指出了未来的研究方向和开放性问题。

本文介绍了用于阿拉伯语机器阅读理解和文本检索的ArabicaQA和AraDPR数据集和模型，同时评估了大型语言模型在阿拉伯语问题回答中的表现。这些进展对阿拉伯语自然语言处理领域具有重要意义。

本文介绍了用于阿拉伯语机器阅读理解和文本检索的ArabicaQA和AraDPR数据集和模型，并对大型语言模型在阿拉伯语问题回答中的评估进行了讨论。这些进展对阿拉伯语自然语言处理领域具有重要意义。

本文整理了适用于大模型训练调优的热门中文公开数据集，包括数学问题、文本生成、机器阅读理解、对话数据集等。

该研究提出了一种多级提示调优方法来增强机器阅读理解，实验结果表明，该方法相比最先进的方法，平均改进率达到了1.94%。

本文提出了一种使用少量半结构化解释的方法来训练机器阅读理解模型，使用可学习的神经模块和软逻辑来处理语言变化并克服模型覆盖率不足。在SQuAD数据集上，该方法实现了70.14%的F1得分，速度提高了12倍。