由于最近的深度学习技术，可为给定问题生成适当答案的QA任务获得了许多性能提升。众所周知的SQuAD就是这样的任务之一。
但是，在针对每个任务训练模型时，存在仅任务能够响应的问题，特别是将多个模型组合为一个模型被认为是困难的，因为对于每个任务而言期望的形状和问答形式略有不同。
AllenAI推出的UnifiedQA将通过学习涵盖20个QA数据集（包括SQuAD，NarrativeQA，ARC挑战等）的单一模型来解决此问题。特别是，在给出上下文时，每个QA任务的目的都略有不同。例如，如果有必要提取事实，则需要摘要情况，从多个选项中选择一个，并决定是否。 UnifiedQA的优势在于能够用一种模型响应这四个目的。以下是相关论文。
UnifiedQA：使用单个QA系统跨越格式边界
问答（QA）任务已采用多种格式提出，
例如提取跨度选择，多项选择等。这导致了
格式专用的模型，甚至在质量检查中进行隐式划分
社区。我们认为这种边界是人为的，也许
不必要，gi…
例如提取跨度选择，多项选择等。这导致了
格式专用的模型，甚至在质量检查中进行隐式划分
社区。我们认为这种边界是人为的，也许
不必要，gi…
在以下github链接上还发布了在T5和BART上训练的代码和模型：
