Новости

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

Apple Machine Learning Research · Опубликовано 6 августа 2026 г. · 3 мин чтения

За 30 секунд

Что произошло: Apple researchers released DeepAmbigQA, a 3,600-question benchmark testing whether LLMs can answer complex questions requiring both name disambiguation and multi-hop reasoning.
Почему это важно: Engineers building search-augmented LLM systems should care when evaluating whether their models return complete answer sets to ambiguous, multi-step questions.
На что обратить внимание: 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.

Послушать это резюме

Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.

Один паттерн, один компромисс, одна история сбоя в продакшене. Короткий еженедельный брифинг для тех, кто строит агентные системы.

Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.

Новости

Apple Machine Learning Research · Опубликовано 6 августа 2026 г. · 3 мин чтения

Что произошло: Apple researchers released DeepAmbigQA, a 3,600-question benchmark testing whether LLMs can answer complex questions requiring both name disambiguation and multi-hop reasoning.
Почему это важно: Engineers building search-augmented LLM systems should care when evaluating whether their models return complete answer sets to ambiguous, multi-step questions.
На что обратить внимание: 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.

Послушать это резюме

Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.

Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.