論文の概要: When Reasoning Traces Conflict with Evidence: How Answer Configuration Shapes Evidence Following

• arxiv url: http://arxiv.org/abs/2610.20805v1
• Date: Wed, 14 Oct 2026 18:52:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.025013
• Title: When Reasoning Traces Conflict with Evidence: How Answer Configuration Shapes Evidence Following
• Title（参考訳）: 推論がエビデンスと矛盾を辿る時--エビデンスをどう形作るか
• Abstract要約: 応答時に残される推論トレースは2つの役割を演じる。 精度を上げることができ、両者が一致しない場合、現在の証拠と競合することができる。 我々は、これらの役割を、検証済みの証拠バージョンを、それぞれから生成された痕跡と交差させ、同じ痕跡と証拠から答えることで、切り離す。
• 参考スコア（独自算出の注目度）: 8.830312911925226
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A reasoning trace retained at answer time plays two roles: it can raise accuracy, and it can compete with the current evidence when the two disagree. We disentangle these roles by crossing verified evidence versions with the traces generated from each and answering from the same traces and evidence under two configurations: continuation of the model's own thinking and a separate answer call. Across three model families (gpt-oss, Gemma4, Qwen3) on HotpotQA and MuSiQue, the separate call raises evidence-following over continuation by 29.9 to 60.6 points. On the same pairs, removing the trace lowers accuracy by similar amounts under both configurations. Yet continuation repeats the stale conclusion in most conflicts, and the separate call follows the current evidence far more often. Benefiting from a trace and deferring to it are therefore distinct properties. Further analyses show that the final line of a trace carries most of its value, gold evidence helps most before the trace is written, distractors weaken correction under a separate call, and renewed reasoning, unlike a verification instruction, follows the current evidence in most conflicts. Because trace deletion alone cannot reveal which source an answer follows, evaluations should report both properties together with the answer configuration.
• Abstract（参考訳）: 答え時に残されている推論トレースは2つの役割を果たす: 正確性を高め、両者が意見が一致しないときに現在の証拠と競合する。 モデル自身の思考の継続と、別の回答呼び出しという2つの構成の下で、それぞれから生成された痕跡と、同じトレースと証拠から回答することで、これらの役割を歪めます。 3つのモデルファミリ(gpt-oss, Gemma4, Qwen3)のHotpotQAとMuSiQueでは、このコールは29.9から60.6ポイントの継続を証拠としてフォローする。 同じペアでは、トレースを削除することで、両方の構成で同様の量の精度が低下する。 しかし、継続はほとんどの紛争において不安定な結論を繰り返すものであり、別の呼びかけは現在の証拠をはるかに頻繁に追従する。 トレースからの利益とそれへの遅延は、したがって異なる性質である。 さらなる分析では、トレースの最終行はその値のほとんどを持ち、金の証拠はトレースが書かれる前に最も役立ち、妨害者は別の呼び出しで修正を弱め、検証命令とは異なり、ほとんどの衝突における現在の証拠に従って再帰的推論を行う。 トレース削除だけでは、どのソースからの回答が続くかは明らかにできないため、評価は、両方のプロパティを回答設定と共に報告すべきである。

関連論文リスト

• Navigating Sparse Evidence: Agentic Visual RAG via Explicit Context Selection and Consolidation [50.92223196290564]
  明示的な証拠選択と統合のための統一エージェントループを提案する。 探索中、SCoREはクエリ関連観測とソースポインタのみを保守されたテキスト台帳に保持する。 終了時には、参照された元のイメージを再ロードし、答えの視覚的証拠を統合し、論理的なシーケンスにアレンジする。
  論文  参考訳（メタデータ） (2026-09-14T16:11:35Z)
• ReflectFact: Self-Reflective Agents for Improving Comprehension and Reasoning in Multi-Hop Fact Verification [10.886692231174358]
  マルチホップ事実検証は、ソーシャルメディア上の誤情報と戦うために重要である。 最近の手法は、事実検証を専門のサブタスクに分解するために、マルチエージェントのコラボレーションに依存している。 マルチホップ事実検証のための新しい自己表現型エージェントフレームワークであるReflectFactを提案する。
  論文  参考訳（メタデータ） (2026-08-13T06:41:56Z)
• HiEviDR-Bench: A Benchmark for Hierarchical Evidence Aggregation in Deep Research [52.87128503345243]
  我々は,Deep Researchにおける階層的エビデンス・アグリゲーションを評価するためのベンチマークであるHiEviDR-Benchを紹介する。 HiEviDR-Benchは、エビデンスの選択、クロスソースリンク、アグリゲーションをキャプチャする明示的なエビデンスグラフを持つ各インスタンスを表す。 報告品質,エビデンストレーサビリティ,引用精度,クレーム検証,回答正当性という5次元のトレーサビリティ指向評価フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-27T23:50:46Z)
• DRNOISE: Benchmarking Deep Research Agents in Misleading Evidence Environments [51.049999642138]
  誤解を招く証拠の下で、回答回復のための100タスクのベンチマークであるDRNOISEを紹介する。 それぞれのタスクは、2つの間接的レコードチェーンが支持する固有の金の答えを持ち、ペアのノイズ条件は競合する答えを直接記述する1つのもっともらしい文書を付加する。 強いクリーンタスク性能を持つエージェント全体で、この単一の介入は66-88ポイントの精度低下を引き起こす。
  論文  参考訳（メタデータ） (2026-07-19T15:20:40Z)
• WILDTRACE: Benchmarking Natural Evidence Trails in Long-Context Reasoning [63.9071746889252]
  長い文書に複雑な質問を答えるには、ソース自体が遠くの通路に自然に分散する証拠を統合する必要がある。 この情報源と内部の証拠の統合は、現実世界の長期文書分析の中心であるが、既存のベンチマークはそのほとんどを横取りしている。 WILDTRACEは, 自然発生の214個の長形音源に対する481個のタスクのベンチマークである。
  論文  参考訳（メタデータ） (2026-07-10T12:09:21Z)
• AuthTrace: Diagnosing Evidence Construction in Thematically Dense Single-Author Corpora [6.956097396264084]
  AuthTraceは,主題的に密集した単一著者コーパスに基づいて構築された診断ベンチマークである。 AuthTraceは明示的な引用されたエビデンス、正確なファンインアノテーション、エビデンスリコール、エビデンス精度、答えの正当性を測定する統一パックレベルのプロトコルを提供する。
  論文  参考訳（メタデータ） (2026-05-25T03:10:52Z)
• ArbGraph: Conflict-Aware Evidence Arbitration for Reliable Long-Form Retrieval-Augmented Generation [47.25596369834373]
  ArbGraphは、長期RAGにおける前世代のエビデンス仲裁のためのフレームワークである。 ArbGraphは取得した文書をアトミックなクレームに分解し、それらをコンフリクト対応エビデンスグラフに整理する。 ArbGraphは、幻覚を低減し、検索ノイズに対する感度を低下させながら、ファクトリコールと情報密度を一貫して改善することを示す。
  論文  参考訳（メタデータ） (2026-04-20T14:51:43Z)
• Reasoning Graphs: Self-Improving, Deterministic RAG through Evidence-Centric Feedback [0.0]
  言語モデルエージェントは、クエリ毎にスクラッチから推論し、各実行後に思考の連鎖を破棄する。 このグラフ構造は,エビデンス・チェーンを,評価項目に関連付けられた構造化されたエッジとみなす。 逐次クラスタプロトコル,高再利用デプロイメントシミュレーション,決定論的実験を用いて,MuSiQueとHotpotQAの評価を行った。
  論文  参考訳（メタデータ） (2026-04-08T20:57:21Z)
• Read it Twice: Towards Faithfully Interpretable Fact Verification by Revisiting Evidence [59.81749318292707]
  本稿では,証拠の検索とクレームの検証を行うためにReReadという名前の事実検証モデルを提案する。 提案システムは,異なる設定下での最良のレポートモデルに対して,大幅な改善を実現することができる。
  論文  参考訳（メタデータ） (2023-05-02T03:23:14Z)
• Topic-Aware Evidence Reasoning and Stance-Aware Aggregation for Fact Verification [19.130541561303293]
  本稿では,事実検証のための新たな話題認識型証拠推論とスタンス認識型アグリゲーションモデルを提案する。 2つのベンチマークデータセットで実施されたテストは、事実検証のためのいくつかの最先端アプローチよりも提案モデルの方が優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-02T14:33:12Z)

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。