论文：DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning

论文：Dynamic Contexts for Generating Suggestion Questions in RAGBased Conversational Systems RAG（检索增强生成）对话系统通过从知识库检索相关信息来增强生成能力，但在实际使用中，用户常常难以准确构建查询，导致问题模糊，系统需要进一步澄清以理解用户意图。为解决这一问题，论文提出了一种建议问题生成器，利用动态上下文来改善用户交互体验。

论文: A Survey on LLM-as-a-Judge

论文标题：Generative Verifiers: Reward Modeling as Next-Token Prediction

论文《RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework》提出了一种全新的框架RAGEval，用来评估基于检索增强生成（Retrieval-Augmented Generation，RAG）系统的性能，尤其是在不同垂直领域中的表现。这个框架不仅一定程度解决了当前RAG系统中常见的评测挑战，还为未来大规模领域特定应用的研发提供一定导向作用。

本研究提出了MedGraphRAG，一种新型的基于图的检索增强生成（RAG）框架，专为提升大型语言模型（LLM）在医疗领域的性能和安全性而设计。MedGraphRAG通过混合静态语义方法对文档进行分块，构建三层层次图结构，实现精确信息检索。采用U-检索方法，平衡全局意识与LLM的索引效率。实验结果表明，MedGraphRAG在多个医学问答基准测试中性能卓越，生成的响应包含源文档，显著提高了医学LLM的可靠性。