本研究提出了一种自动生成基于上下文的问答对的方法，旨在提升大型语言模型在复杂推理和实时知识整合方面的能力。实验结果显示，该方法在逻辑一致性和事实准确性上优于传统的人类标注问答对。

本研究提出了EnronQA基准，包含103,638封电子邮件和528,304个问答对，旨在改善私人文档的个性化检索，探讨记忆与检索的权衡，以提升企业对客户隐私文件的理解与使用效率。

本研究提出NativQA框架，旨在解决大型语言模型在多语言和文化背景下的公平性问题。该框架结合用户查询与搜索引擎，生成了30万个问答对，为模型基准测试提供了资源。

本研究提出了一种新的分子理解基准，解决了现有方法偏重描述性的问题。通过自然语言处理技术，展示了模型的指称能力，并提供了79,000个问答对的基准，显著优于现有模型。

本研究提出了PeerQA数据集，包含579个科学文档的问答对，旨在解决评审过程中的问题与回答不足。实验结果表明，去上下文化的方法提升了文档检索性能，为长上下文建模提供了具有挑战性的基准。

本文介绍了LongViTU，一个包含121,000个问答对和900小时视频的大规模自动生成数据集，旨在提升长视频理解能力。通过层次树结构和自我修正机制，确保数据集的高质量。研究表明，基于LongViTU的微调显著提升了视频理解模型的性能，展示了其实际应用潜力。

本研究提出了LongDocURL基准，旨在解决长文档理解和布局元素定位的不足。该基准涵盖长文档理解、数值推理和跨元素定位，收集了超过33,000页文档的高质量问答对，显著提升了文档理解性能。

本文探讨了如何利用大型语言模型（LLMs）增强制造任务指导系统的数据，以填补复杂任务理解的空白。研究建立了20万个问答对的数据集，评估了多种开源LLMs的表现，发现其在理解程序规范和时间序列操作方面具有潜力。

本研究探讨了大型语言模型（LLM）的评估方法，提出通过预测未来事件和生成问答对进行连续评估。研究表明，LLM的性能随时间下降，强调了持续更新模型的重要性。

本研究提出了一种“自动示例提示”方法，旨在解决大型语言模型在批量提示中性能下降的问题。通过利用早期问题的问答对作为示例，优化后续答案推断，实验结果表明该方法有效提升了模型性能，展示了结合少量示例学习的潜力。