ALiiCE：评估位置细粒度引用生成的自动化框架
计算与语言
2026-02-03 v3
摘要
大型语言模型（LLM）通过生成带有引用的文本可提升其可信度和可验证性。然而，现有研究在引用生成方面主要局限于句子层面的表述，忽视了位置细粒度引用的重要性，这类引用可以出现在句子中的任意位置。为促进位置细粒度引用生成的进一步探索，我们提出了 ALiiCE——首个针对此任务的自动化评估框架。我们的方法采用基于依赖树的 approach，将句子层面的主张解析为原子主张。然后，ALiiCE 使用三项指标评估引用质量，包括位置细粒度引用召回率、精确率以及引用位置变异系数。我们在长篇问答数据集上评估了几种 LLM 的位置细粒度引用生成性能。我们的实验和分析表明，ALiiCE 的有效性和合理性。我们提供了对位置细粒度引用生成任务当前进展及未来方向的见解。
引用
@article{arxiv.2406.13375,
title = {ALiiCE: Evaluating Positional Fine-grained Citation Generation},
author = {Yilong Xu and Jinhua Gao and Xiaoming Yu and Baolong Bi and Huawei Shen and Xueqi Cheng},
journal= {arXiv preprint arXiv:2406.13375},
year = {2026}
}
备注
NAACL 2025 Main Conference (Long paper)