链式总结：通过迭代提问进行摘要
人工智能
2026-02-18 v2 计算与语言
摘要
大语言模型(LLM)越来越多地使用外部网页内容。然而，这些内容由于LLM不友好的格式以及上下文长度的限制，难以被LLM轻松消化。为此，我们提出了一种生成通用、信息密集型摘要的方法，这些摘要充当网页内容的纯文本存储库。灵感来自黑格尔的辩证法，我们的方法称为链式总结(CoS)，通过提问识别初始摘要(thesis)的局限性(antithesis)，从而引导出通用摘要(synthesis)，以满足当前需求并为未来信息需求做准备。在TriviaQA、TruthfulQA和SQUAD数据集上的实验表明，CoS相较于零样本LLM基线提升了最高可达66%，相较于链式密度、BRIO和PEGASUS等专业摘要方法提升了最高可达27%。CoS生成的摘要在Q&A性能上优于源内容，同时所需标记数大幅减少，且对特定下游LLM不敏感。因此，CoS类似于一种吸引人的选择，网站维护者可以利用它使其内容更易被LLM消化，同时保留人工监督的可能性。
引用
@article{arxiv.2511.15719,
title = {Chain of Summaries: Summarization Through Iterative Questioning},
author = {William Brach and Kristián Košťál and Lukas Galke Poech},
journal= {arXiv preprint arXiv:2511.15719},
year = {2026}
}