Une étude présente un cadre de modèle de langage large pour le défi BioASQ 14b Task B qui améliore la robustesse des réponses en sélectionnant les procédures d'inférence en fonction du type de question. Le système utilise le mélange de fragments et l'auto-réflexion pour les questions oui/non, l'apprentissage in-context avec chaîne de pensée pour les questions factuelles, et une architecture multi-agents pour les questions de liste.
- Les questions oui/non utilisent le mélange de fragments et l'auto-réflexion pour réduire la sensibilité à l'ordre des preuves.
- Les questions factuelles emploient une entrée de fragment complet combinée à un apprentissage in-context basé sur la chaîne de pensée pour l'identification d'entités.
- Les questions de liste sont gérées via une architecture multi-agents pour l'extraction et la vérification collaboratives des preuves.
Le cadre a obtenu la première place dans le sous-tâche factuelle du Batch 4, démontrant l'efficacité de la combinaison d'une inférence spécifique au type de question avec une vérification basée sur les agents.