OpenScholar: Синтез научной литературы с помощью моделей языка с усилением поиска

OpenScholar: Synthesizing Scientific Literature with Retrieval-augmented LMs

November 21, 2024

Авторы: Akari Asai, Jacqueline He, Rulin Shao, Weijia Shi, Amanpreet Singh, Joseph Chee Chang, Kyle Lo, Luca Soldaini, Sergey Feldman, Mike D'arcy, David Wadden, Matt Latzke, Minyang Tian, Pan Ji, Shengyan Liu, Hao Tong, Bohao Wu, Yanyu Xiong, Luke Zettlemoyer, Graham Neubig, Dan Weld, Doug Downey, Wen-tau Yih, Pang Wei Koh, Hannaneh Hajishirzi

cs.AI

Аннотация

Научный прогресс зависит от способности исследователей синтезировать растущий объем литературы. Могут ли большие языковые модели (LM) помочь ученым в этой задаче? Мы представляем OpenScholar, специализированную модель с извлечением информации, которая отвечает на научные запросы, идентифицируя соответствующие отрывки из 45 миллионов научных статей с открытым доступом и синтезируя ответы с ссылками на цитирование. Для оценки OpenScholar мы разработали ScholarQABench, первый крупномасштабный многодоменный набор данных для поиска литературы, включающий 2 967 запросов, написанных экспертами, и 208 развернутых ответов в областях информатики, физики, нейронауки и биомедицины. На наборе данных ScholarQABench OpenScholar-8B превосходит GPT-4o на 5% и PaperQA2 на 7% по правильности, несмотря на то, что является более маленькой открытой моделью. В то время как GPT-4o галлюцинирует цитаты в 78-90% случаев, OpenScholar достигает точности цитирования на уровне человеческих экспертов. Хранилище данных, извлекатель и цикл вывода с обратной связью также улучшают стандартные языковые модели: например, OpenScholar-GPT4o повышает правильность GPT-4o на 12%. В ходе оценки экспертов предпочли ответы OpenScholar-8B и OpenScholar-GPT4o экспертно написанным в 51% и 70% случаев соответственно, по сравнению с 32% у GPT-4o. Мы открываем исходный код, модели, хранилище данных, данные и публичное демо.

English

Scientific progress depends on researchers' ability to synthesize the growing body of literature. Can large language models (LMs) assist scientists in this task? We introduce OpenScholar, a specialized retrieval-augmented LM that answers scientific queries by identifying relevant passages from 45 million open-access papers and synthesizing citation-backed responses. To evaluate OpenScholar, we develop ScholarQABench, the first large-scale multi-domain benchmark for literature search, comprising 2,967 expert-written queries and 208 long-form answers across computer science, physics, neuroscience, and biomedicine. On ScholarQABench, OpenScholar-8B outperforms GPT-4o by 5% and PaperQA2 by 7% in correctness, despite being a smaller, open model. While GPT4o hallucinates citations 78 to 90% of the time, OpenScholar achieves citation accuracy on par with human experts. OpenScholar's datastore, retriever, and self-feedback inference loop also improves off-the-shelf LMs: for instance, OpenScholar-GPT4o improves GPT-4o's correctness by 12%. In human evaluations, experts preferred OpenScholar-8B and OpenScholar-GPT4o responses over expert-written ones 51% and 70% of the time, respectively, compared to GPT4o's 32%. We open-source all of our code, models, datastore, data and a public demo.