文本摘要

为什么重要

深度解析

抽取式摘要通过TextRank（一种受PageRank启发的图算法）或基于BERT的句子评分等技术识别最重要的句子。摘要是原始句子的子集，保证了事实准确性但可能产生生硬断裂的文本。生成式摘要使用序列到序列模型（T5、BART或LLM）生成新文本，产出更流畅的摘要但存在幻觉风险——添加原文中没有的信息。

LLM摘要

对于上下文窗口内的文档，LLM几乎将摘要变成了已解决的问题。“用3个要点总结这篇文章”无需微调就能产出令人惊讶的好结果。剩余挑战：对超过上下文窗口的文档进行摘要（需要分块策略），保持事实准确性（LLM有时会用看似合理但捏造的细节“增强”摘要），以及精确控制输出长度。

实用模式

生产中常见的摘要模式：map-reduce（将长文档拆分为块，对每块做摘要，再对摘要做摘要），分层式（对章节做摘要，再对章节摘要做摘要），以及滚动式（维护一个随新内容添加而更新的运行摘要）。对于会议记录，按发言人归属的摘要（“Sarah提出了X，Pierre提出了Y的担忧”）比通用摘要更有用。