ニュース

DeepAmbigQA: Ambiguous Multi-hop Questions for Benchmarking LLM Answer Completeness

Apple Machine Learning Research · 公開日 2026年8月6日 · 読了3分

30秒で要点

何が起きたか: Apple researchers released DeepAmbigQA, a 3,600-question benchmark testing whether LLMs can answer complex questions requiring both name disambiguation and multi-hop reasoning.
なぜ重要か: Engineers building search-augmented LLM systems should care when evaluating whether their models return complete answer sets to ambiguous, multi-step questions.
注意点: Even GPT-5 achieves only 0.13 exact match on ambiguous questions, suggesting current LLMs struggle fundamentally with answer completeness rather than this being a simple benchmark limitation.

この要約を音声で聴く

各ページで、技術の仕組み、コストに見合う場面、そして破綻する条件を解説しています。

1つのパターン、1つのトレードオフ、1つの本番障害事例。エージェントシステムを構築する人のための短い週刊ブリーフィング。

週1回のメール、ワンクリックで購読解除できます。アドレスはブリーフィングの送信のみに使用します。

ニュース

Apple Machine Learning Research · 公開日 2026年8月6日 · 読了3分

何が起きたか: Apple researchers released DeepAmbigQA, a 3,600-question benchmark testing whether LLMs can answer complex questions requiring both name disambiguation and multi-hop reasoning.
なぜ重要か: Engineers building search-augmented LLM systems should care when evaluating whether their models return complete answer sets to ambiguous, multi-step questions.
注意点: Even GPT-5 achieves only 0.13 exact match on ambiguous questions, suggesting current LLMs struggle fundamentally with answer completeness rather than this being a simple benchmark limitation.

この要約を音声で聴く

各ページで、技術の仕組み、コストに見合う場面、そして破綻する条件を解説しています。

1つのパターン、1つのトレードオフ、1つの本番障害事例。エージェントシステムを構築する人のための短い週刊ブリーフィング。

週1回のメール、ワンクリックで購読解除できます。アドレスはブリーフィングの送信のみに使用します。