論文の概要: A Stepwise Questioning Expert-Editor Multi-Agent Framework for Long-Document Summarization
- arxiv url: http://arxiv.org/abs/2607.10390v1
- Date: Sat, 11 Jul 2026 16:37:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.418429
- Title: A Stepwise Questioning Expert-Editor Multi-Agent Framework for Long-Document Summarization
- Title（参考訳）: 長期文書要約のためのエキスパートエディタマルチエージェントフレームワークのステップワイズ質問
- Abstract要約: 大規模言語モデル(LLM)はニュース要約タスクにおいて有望な可能性を示している。
本稿では,長期文書要約の有効性を高めるために,段階的に多エージェント法を疑問視する専門家・編集者を提案する。
- 参考スコア（独自算出の注目度）: 0.3580891736370874
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Although large language models (LLMs) have shown promising potential in news summarization tasks, their performance on long-document summarization remains challenging as their length often exceeds the input limits. As the agent investment, which provide possibility to improve the inherent capabilities of LLMs. To enhance the effectiveness of long-document summarization based on LLMs, this paper proposes an expert-editor stepwise questioning multi-agent method, in which the expert and the editor guide another agent to refine the summary by posing questions on different aspects of the content and providing targeted clues for revision. We conducted experiments on two representative long-document scientific datasets and evaluated the results through widely recognized automatic metrics. The results demonstrated the effectiveness of our method.
- Abstract（参考訳）: 大きな言語モデル(LLM)はニュース要約タスクにおいて有望な可能性を示しているが、長い文書要約のパフォーマンスは入力限界を超えることが多いため、依然として困難である。
エージェント投資として、LLMの本質的な能力を改善する可能性を提供する。
本稿では,LLMに基づく長期文書要約の有効性を高めるために,専門家と編集者が,内容の異なる側面の質問に答えて要約を洗練し,目的とする手掛かりを提供することにより,専門家と編集者が他のエージェントを指導する多エージェント手法を提案する。
筆者らは2つの代表的な長期文書科学データセットについて実験を行い、広く認識されている自動測定値を用いて結果を評価した。
その結果,本手法の有効性が示された。
関連論文リスト
- MAS-ProVe: Understanding the Process Verification of Multi-Agent Systems [59.20800753428596]
マルチエージェントシステム(MAS)におけるプロセス検証の系統的研究であるMAS-ProVeを提案する。
本研究は3つの検証パラダイム(LLM-as-a-Judge、報酬モデル、プロセス報酬モデル)にまたがる。
プロセスレベルの検証は、常に性能を改善しておらず、しばしば高いばらつきを示す。
論文 参考訳（メタデータ） (2026-02-03T03:30:36Z) - LongDA: Benchmarking LLM Agents for Long-Document Data Analysis [55.32211515932351]
LongDAは、長いドキュメントと複雑なデータをナビゲートする実際の設定をターゲットとしています。
LongTAは、ドキュメントアクセス、検索、コード実行を可能にするツール拡張されたエージェントフレームワークである。
実験の結果, 最先端モデルにおいても, かなりの性能差が認められた。
論文 参考訳（メタデータ） (2026-01-05T23:23:16Z) - Learning to Summarize by Learning to Quiz: Adversarial Agentic Collaboration for Long Document Summarization [86.98098988779809]
SummQは長期文書要約のための新しい逆多重エージェントフレームワークである。
提案手法では,包括的な要約を作成し,評価するために協調作業を行う要約ジェネレータとレビュアーを用いる。
広範に使用されている3つの文書要約ベンチマーク上でSummQを評価する。
論文 参考訳（メタデータ） (2025-09-25T08:36:19Z) - Topic-Guided Reinforcement Learning with LLMs for Enhancing Multi-Document Summarization [49.61589046694085]
マルチドキュメント要約におけるコンテンツ選択を改善するためのトピック誘導型強化学習手法を提案する。
まず、トピックラベル付きモデルに明示的にプロンプトすることで、生成した要約の情報性が向上することを示す。
論文 参考訳（メタデータ） (2025-09-11T21:01:54Z) - LLMs for LLMs: A Structured Prompting Methodology for Long Legal Documents [3.887688898850802]
我々は、しばしば高価な微調整の代替として、構造化プロンプト手法を提案する。
我々は、情報検索のタスクについて、CUADデータセットから長い法的文書をタグ付けする。
そこで我々は,分布型局所化と逆心身重みの導入により,結果の候補選択問題に取り組んだ。
論文 参考訳（メタデータ） (2025-09-02T12:09:49Z) - MDBench: A Synthetic Multi-Document Reasoning Benchmark Generated with Knowledge Guidance [5.192956837901584]
MDBenchは,多文書推論のタスクにおいて,大規模言語モジュール (LLM) を評価するための新しいデータセットである。
我々は、新しい合成生成プロセスを使用し、困難な文書セットを制御および効率よく生成することができる。
MDBENCHがすべての手法において重要な課題となることを発見した。
論文 参考訳（メタデータ） (2025-06-17T19:14:30Z) - IDA-Bench: Evaluating LLMs on Interactive Guided Data Analysis [60.32962597618861]
IDA-Benchは、多ラウンドの対話シナリオで大規模言語モデルを評価する新しいベンチマークである。
エージェント性能は、最終的な数値出力と人間由来のベースラインを比較して判断する。
最先端のコーディングエージェント(Claude-3.7-thinkingなど)でさえ50%のタスクを成功させ、シングルターンテストでは明らかでない制限を強調している。
論文 参考訳（メタデータ） (2025-05-23T09:37:52Z) - Multi2: Multi-Agent Test-Time Scalable Framework for Multi-Document Processing [43.75154489681047]
MDS(Multi-Document Summarization)のためのテスト時間スケーリングを利用した新しいフレームワークを提案する。
提案手法では,様々なプロンプトを用いて複数の候補サマリーを生成し,アグリゲータと組み合わせて洗練されたサマリーを生成する。
また,本手法を効果的に評価するために,LCM-ACU(Consistency-Aware Preference)スコアとLLM-Content-Unit(LLM-ACU)スコアという2つの新しいLCMベースの指標を導入する。
論文 参考訳（メタデータ） (2025-02-27T23:34:47Z) - Large Multimodal Agents: A Survey [78.81459893884737]
大規模言語モデル(LLM)は、テキストベースのAIエージェントのパワーで優れたパフォーマンスを実現している。
LLMを利用したAIエージェントをマルチモーダルドメインに拡張することに焦点を当てた、新たな研究トレンドがある。
本総説は, この急速に発展する分野において, 今後の研究に有用な洞察とガイドラインを提供することを目的としている。
論文 参考訳（メタデータ） (2024-02-23T06:04:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。