更精细的引用总是更好吗？重新思考属性生成中的粒度
计算与语言
2026-04-06 v2
摘要
引用粒度——是引用单个句子、段落还是文档——是属性生成中的关键设计选择。虽然细粒度引用通常因便于人工验证而受到青睐，但其对模型性能的影响仍未被充分探索。我们分析了四种模型规模（8B-120B），并证明强制细粒度引用会使归因质量相比最优粒度下降 16-276%。我们观察到一种一致的性能模式，即归因质量在中间粒度（段落级）处达到峰值。我们的分析表明，细粒度（句子级）引用会破坏将证据归因于回答主张所需的语义依赖，而过度粗糙的引用（多段落）则会引入干扰噪声。重要的是，这一性能差距的幅度随模型规模非单调变化：细粒度约束不成比例地惩罚更大的模型，表明原子引用单元破坏了这些模型擅长的多句信息综合。值得注意的是，最优引用粒度在保持甚至提升回答正确性的同时，显著提升了归因质量。总体而言，我们的发现表明，仅通过细粒度引用优化人工验证会忽视模型约束，损害归因忠实性和生成可靠性。相反，有效的属性生成需要将引用粒度与模型的自然语义范围对齐。
引用
@article{arxiv.2604.01432,
title = {Are Finer Citations Always Better? Rethinking Granularity for Attributed Generation},
author = {Hexuan Wang and Jingyu Zhang and Benjamin Van Durme and Daniel Khashabi},
journal= {arXiv preprint arXiv:2604.01432},
year = {2026}
}