针对大型语言模型在伊斯兰问答中可能出现的无依据回答问题，研究团队提出了一种创新的智能体RAG框架。该方法通过迭代证据寻求和答案修订，显著提升了回答的准确性和可靠性，为宗教领域的AI应用提供了新思路。
智能速览
构建了3810个双语问题的ISLAMICFAITHQA基准测试集
提出基于智能体的古兰经增强生成框架
通过语义搜索、经文读取等工具增强准确性
小模型Qwen3 4B也能达到最先进效果
开发了25K阿拉伯语SFT推理对资源套件
精华内容
传统的RAG方法在处理宗教问答时仍存在局限性，而智能体RAG通过结构化工具调用，将检索转化为显式决策过程，为解决无依据回答提供了新的技术路径。
问题背景
大型语言模型在伊斯兰问答中应用广泛，但无依据的回答可能导致严重宗教后果。传统评估方式无法有效捕捉现实世界中的关键失败模式，如自由形式幻觉和模型在证据不足时是否适当回避。这些问题在宗教领域尤为敏感，需要更严谨的解决方案。
基准构建
研究团队构建了双语文本生成基准ISLAMICFAITHQA，包含3810个阿拉伯语和英语问题，可直接测量幻觉和回避行为。这个基准填补了宗教问答评估的空白，为模型性能提供了客观衡量标准。同时开发了端到端的伊斯兰建模资源套件，支持基于证据的智能体框架。
方法创新
提出了一种基于智能体的古兰经增强生成框架（agentic RAG），通过结构化工具调用实现迭代证据寻求和答案修订。该方法将检索转化为显式决策过程，通过语义搜索、经文读取和元数据查询等工具增强回答的准确性，确保每个回答都有充分的经文依据。
实验结果
在ISLAMICFAITHQA基准上对多种阿拉伯语和多语言LLM进行评估。实验比较了基础模型、SFT微调、RL对齐、标准RAG和智能体RAG的表现。实验结果表明，智能体RAG显著提升了模型性能，即使是小模型（如Qwen3 4B）也能达到最先进的效果，证明了方法的有效性。
资源贡献
该研究还包含一个完整的资源套件，包括25K阿拉伯语文本基础的SFT推理对、5K双语偏好样本和约6k节经文级古兰经检索语料库。这些资源为后续研究提供了宝贵的数据支持，推动了宗教领域AI应用的发展。
这项研究不仅解决了伊斯兰问答中的关键问题，更为宗教领域的AI应用树立了新标准。智能体RAG框架的成功实践表明，通过结合领域知识和结构化推理，大型语言模型在敏感领域的应用前景广阔。未来这种框架能否扩展到其他宗教和文化领域？
关键评论
清真bench
符合周礼的大模型能作为创新点吗
要是这个也出问题了怎么办
为什么比较模型的时候尺寸都没对齐，27B碾压一群<7B的
