QGen Studio是一个自适应的问答生成、训练和评估平台，旨在提高问答数据集生成和模型训练的灵活性。该平台利用大规模语言模型创建自定义问答数据集，并提供数据集查看器和模型探索器以优化这一过程。

本研究提出了一种新颖的分类框架，旨在解决时间知识图谱在问答中的数据集不足和定制问答对生成的困难，开发了通用问答生成器TimelineKGQA，显著提升了动态事实和关系的问答能力。

本研究提出了一种新方法LeSeR，旨在解决监管领域的信息检索和问答生成问题。LeSeR结合多种嵌入模型，取得了召回率0.8201和平均精度0.6655的优异效果，展示了自然语言处理在监管应用中的潜力。

本文提出了ClinQG4QA框架，通过问答生成提升临床QA模型性能，并引入问题短语预测模块以增加多样性。研究探讨了多项选择题生成的创新方法，评估了大语言模型在双语问答中的表现，发现生成的题目与学习目标一致。研究表明，人工智能与教育者合作能提高多项选择题生成的效率，但干扰项的质量仍需改进。

本文提出了一种问答生成（QAG）框架，旨在通过多样化的疑问句和答案提高QA模型的鲁棒性和准确性。研究展示了多问题生成模型的有效性，并介绍了多语言问答生成模型AutoQG及其应用。实验结果表明，该框架在问题多样性和回答性能上优于现有方法。

本文介绍了多语言问答生成模型AutoQG及其Python包lmqg，该模型基于预训练的encoder-decoder进行微调，支持8种语言。研究表明，端到端的问答生成模型在训练和推理时计算量小，性能优于复杂方法。通过跨语言联合训练，使用Hindi和中文数据集取得良好效果，并创建了新的Hindi问答数据集。

本文介绍了一种自动生成问答对的框架，应用于医学领域，以提升问答系统的准确率。研究表明，基于生成的问答对微调的QA模型可与人类标注数据的模型竞争。此外，提出了适用于教育领域的多语言问答生成模型AutoQG，能够生成测试学生理解能力的问题与答案。