基于蒙特卡洛树搜索的多属性可控摘要自适应规划
计算与语言
2026-04-13 v2 人工智能
摘要
可控摘要超越了通用输出，转向由指定属性引导的、与人类对齐的摘要。在实践中，属性之间的相互依赖性使得语言模型难以一致地满足相关约束。此外，先前的方法通常需要对每个属性进行微调，这限制了跨不同摘要属性的灵活性。在本文中，我们提出了用于多属性可控摘要的自适应规划（PACO），这是一个免训练的框架，通过定制的蒙特卡洛树搜索（MCTS）将任务重新构建为规划顺序属性控制的顺序。在PACO中，节点代表摘要，动作对应于单属性调整，从而能够逐步优化仅需要进一步控制的属性。该策略自适应地发现最优控制顺序，最终产生有效满足所有约束的摘要。跨不同领域和模型的大量实验表明，PACO实现了稳健的多属性可控性，超越了基于LLM的自规划模型和微调基线。值得注意的是，使用Llama-3.2-1B的PACO在可控性上可与大得多的Llama-3.3-70B基线相媲美。使用更大的模型，PACO实现了卓越的控制性能，优于所有竞争对手。
引用
@article{arxiv.2509.26435,
title = {Adaptive Planning for Multi-Attribute Controllable Summarization with Monte Carlo Tree Search},
author = {Sangwon Ryu and Heejin Do and Yunsu Kim and Gary Geunbae Lee and Jungseul Ok},
journal= {arXiv preprint arXiv:2509.26435},
year = {2026}
}
备注
ACL 2026