Question Answering on 2WQA, HPQA, PopQA, and CWQ (test) benchmark leaderboard · SOTA2 Research

Question Answering on 2WQA, HPQA, PopQA, and CWQ (test)

0.39232WQA In-DomainReFilter

Evaluation Results

Method	Links
ReFilter2026.02		0.3923	0.2846	0.3037	0.5032	0.371	35.28	28.36	27.22	45.87	34.18	0.3564
ReFilter2026.02		0.3842	0.3532	0.2738	0.4649	0.369	34.28	32.19	23.87	42.75	33.27	0.3509
S-RAG2026.02		0.3774	0.2419	0.1623	0.4311	0.3032	—	—	—	—	—	0.3032
PRAG2026.02		0.3704	0.3312	0.2721	0.4206	0.3486	32.19	28.18	24.1	37.28	30.44	0.3265
DyPRAG2026.02		0.3632	0.2826	0.1203	0.4233	0.2974	32.85	23.44	10.15	38.23	26.17	0.2795
S-RAG2026.02		0.3571	0.2628	0.2841	0.4664	0.3426	—	—	—	—	—	0.3426
PRAG2026.02		0.3502	0.2748	0.2838	0.4729	0.3454	30.12	22.87	26.19	41.48	30.17	0.3235
DyPRAG2026.02		0.332	0.2659	0.2637	0.4587	0.3301	29.19	24.38	23.38	42.32	29.82	0.3141
Vanilla2026.02		0.3216	0.2594	0.2484	0.5013	0.3327	—	—	—	—	—	0.3327
Vanilla2026.02		0.3199	0.2232	0.1427	0.4331	0.2797	—	—	—	—	—	0.2797
ReFilter2026.02		0.2947	0.2037	0.1838	0.3266	0.2522	25.75	17.54	15.65	26.57	21.38	0.233
PRAG2026.02		0.2732	0.1616	0.1995	0.2823	0.2292	23.18	15.76	13.64	26.45	19.76	0.2134
ReFilter2026.02		0.2687	0.2528	0.2338	0.3598	0.2788	26.18	22.46	20.57	33.48	25.67	0.2678
PRAG2026.02		0.2447	0.2039	0.2307	0.3517	0.2578	21.58	18.79	19.59	31.21	22.79	0.2428
DyPRAG2026.02		0.2426	0.1937	0.0702	0.3028	0.2023	21.86	14.72	5.21	24.17	16.49	0.1836
Vanilla2026.02		0.2369	0.1905	0.0594	0.3478	0.2087	—	—	—	—	—	0.2087
DyPRAG2026.02		0.2367	0.2298	0.1256	0.3551	0.2368	22.87	20.98	10.47	32.32	21.66	0.2267
S-RAG2026.02		0.2265	0.1622	0.0977	0.2609	0.1868	—	—	—	—	—	0.1868
S-RAG2026.02		0.2238	0.2913	0.2029	0.3201	0.2595	—	—	—	—	—	0.2595
Vanilla2026.02		0.2209	0.1576	0.0706	0.2816	0.1827	—	—	—	—	—	0.1827