詳細解釋
讓 AI 理解文章內容並回答問題的任務，測試機器的自然語言理解能力，從簡單事實提取到複雜推理。
數據集演進：
- SQuAD：最早的監督式閱讀理解（片段抽取）
- CNN/Daily Mail：新聞摘要式理解
- RACE：考試風格選擇題
- DROP：離散推理（數學運算）
- QuAC：多輪對話式問答
- Longformer：長文檔理解
任務類型：
- 抽取式：答案在文中（SQuAD 風格）
- 生成式：自由生成答案（更難）
- 多選：從選項中選（考試風格）
- 多跳：需跨越多個段落推理
- 否定：區分支持、反對、無關
大模型時代：
- GPT-4/Claude：幾乎達到人類水平
- 零樣本：無需專門訓練即可回答
- 長上下文：整本書的理解
- 挑戰：幻覺、事實錯誤、數值計算
應用：
- 搜索引擎：直接答案而非鏈接列表
- 客服：手冊問答
- 法律：合同條款查找
- 醫療：病歷理解
- 教育：自動評分、輔導
與 RAG 的關係：
- RAG 提供上下文，閱讀理解模型回答
- 實際是同一技術的兩個方面
這是「語言理解」的核心測試—— 從「認識字」到「理解文」。