辅助人类进行复杂比较：大规模自动化信息比较

生成式大语言模型能够在知识领域之间实现高效分析，在信息比较方面可与人类专家媲美。然而，LLM在信息比较中的应用面临可扩展性挑战，因为难以在大型上下文中维护信息并克服模型令牌限制。为解决这些挑战，我们开发了新颖的抽象摘要与标准驱动比较端点（ASC$^2$End）系统，以实现大规模自动化信息比较。我们的系统采用语义文本相似度比较来生成基于证据的分析。我们利用经过验证的数据处理策略，如抽象摘要和检索增强生成，以克服令牌限制并在模型推理期间保留相关信息。使用零样本策略设计提示，以将信息上下文化，从而改进模型推理。我们使用ROUGE评分评估抽象摘要，并通过调查响应评估生成的比较质量。在ASC$^2$End系统上评估的模型显示出理想的结果，提供了对系统预期性能的见解。ASC$^2$End是一种新颖的系统工具，能够在知识领域之间实现准确、大规模自动化的信息比较，克服了上下文长度和检索方面的限制。