D-SCoRE：面向 QA-CoT 数据生成的文档级分段与链式思考推理及结构化导出
计算与语言
2026-02-09 v2 人工智能
摘要
高质量领域特定问答(QA)数据集的稀缺性和高昂成本限制了大型语言模型(LLM)的监督式微调。我们引入 ，一个无需训练即可利用 LLM 和提示工程从任意文本源自动生成多样化、富有深度 QA 数据集的框架。通过整合 \textbf{S}\textbf{Co}\textbf{R}\textbf{E}$xport 机制，以及诸如语义角色转换、问题类型平衡和反事实增强等多维控制，D-SCoRE 能产生量身定制的 QA 对，具备增强后的多样性和相关性。基于 D-SCoRE 生成的数据集训练的 LLM 在大多数评估领域中均优于基于人工标注 QA 数据训练的模型。其效率和可扩展性使其能够在消费级硬件上实现快速、高性能的领域适应式微调，端到端每 GPU 小时可生成超过 1,100 个高质量 QA 对。
引用
@article{arxiv.2508.01309,
title = {D-SCoRE: Document-Centric Segmentation and CoT Reasoning with Structured Export for QA-CoT Data Generation},
author = {Weibo Zhou and Lingbo Li and Shangsong Liang},
journal= {arXiv preprint arXiv:2508.01309},
year = {2026}
}