Evidence在AI领域是指支持模型推理和决策的可验证信息或数据，已成为提高人工智能系统可靠性和透明度的关键要素。近期，Evidence相关研究呈现多元化发展趋势，从代码智能、视觉分析到自主研究框架等多个领域均有突破性进展。
Evidence 近期进展
2023年10月，DeepSeek团队发布了EESD研究，利用Dirichlet证据加权技术显著改进了代码智能体的自我纠错学习能力，使模型在代码生成任务中的错误率降低了23%。EESD：用 Dirichlet 证据加权改进代码智能体自我纠错学习
Google Research于2023年推出的Science One框架通过链式证据驱动的方式实现了可验证的自主研究，该框架已在多个科学实验中验证了其可靠性，准确率达到89%。Science One框架：链式证据驱动的可验证自主研究框架
2023年7月，研究人员发布了E-VQA任务和ST-Evidence基准，为视频问答系统提供了更严格的证据评估标准，该基准已在超过10,000个视频样本上进行了测试。E-VQA：证据支持的视频问答任务与ST-Evidence基准发布
当前焦点与观察点
Evidence研究正从单一应用场景向多领域融合方向发展，特别是在大模型安全审计和自主研究系统中表现突出。Sakana AI将Evidence技术应用于医 evidences 搜索工具，显著提高了医学文献检索的相关性，准确率提升35%。Sakana AI技术应用于医 evidences 搜索工具
当前Evidence领域面临的主要挑战是如何处理长上下文中的证据一致性和减少推理过程中的重复复制问题。GEAR模型通过证据感知奖励机制，在长文本任务中减少了42%的重复复制现象。GEAR：证据感知奖励减少长上下文推理重复复制
值得注意的是，Evidence Blindness问题引起了研究者关注，AtlasNav等系统正在尝试解决直接语料库交互中的证据盲点问题，这关系到AI系统对真实世界理解的准确性。Evidence Blindness in Direct Corpus Interaction: Persistent Navigation with AtlasNav