研究人员推出了一项名为类比深度研究（ADR）的新任务，以评估大型语言模型（LLM）为前瞻性分析查找和使用历史类比的能力。他们开发了ADR-bench基准来测试这项能力，发现当前的LLM在类比检索方面存在困难，常常关注表面相似性而非潜在的因果机制。为解决此问题，他们提出了一个名为因果类比研究员（CANA）的新代理框架，该框架将历史类比生成能力提高了高达10%，并在ADR-bench上超越了现有的深度研究代理。 AI
影响 这项研究可能促使LLM更好地理解历史背景，从而改进前瞻性和决策制定。
排序理由 该集群描述了一篇介绍新任务、基准和评估LLM框架的新研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.13602v1 Announce Type: cross Abstract: Systematic comparisons between current situations and structurally similar past events in the historical, i.e., historical analogies, is among the most powerful tools for foresight analysis. In this work, we present a new task cal…
Systematic comparisons between current situations and structurally similar past events in the historical, i.e., historical analogies, is among the most powerful tools for foresight analysis. In this work, we present a new task called Analogical Deep Research (ADR) to Large Langua…