基于 LoRA 效率与精准终点位置的灾害问答

自然灾害如地震、暴雨、洪水和火山喷发发生频率极低且影响范围有限。面对灾害情境时，个体常常感到困惑，缺乏针对性应对措施的领域知识与经验。尽管持续更新的灾害信息，甚至在利用 RAG 检索和大语言模型进行询问时，仍无法保证获取与自身情境相似的灾害领域知识与经验。若灾害问答中包含幻觉，人工误导信息可能传播并加剧困惑。本文提出一种基于日本灾害情境与应急经验的灾害问答系统。采用 cl-tohoku/bert-base-japanese-v3 + Bi-LSTM + Enhanced Position Heads 架构，并通过 LoRA 效率优化实现仅使用 5.7% 总参数（6.7M/117M）即可达到 70.4% 的终点位置准确率。实验结果表明，日语 BERT-base 优化与 Bi-LSTM 上下文理解的组合，达到了适用于实际灾害应急场景的准确水平，Span F1 分数为 0.885。未来挑战包括：建立自然灾害 Q&A 基准数据集、对灾害知识进行微调、开发在灾害期间功率和通信不足的情况下的轻量级高效边缘 AI 问答应用，以及解决灾害知识库的更新与持续学习能力。