通过共识与一致性在摘要生成中增强事实准确性：基于最小贝叶斯风险解码
计算与语言
2026-05-29 v1
摘要
提高模型生成摘要质量，尤其是事实准确性——即摘要相对于其来源内容的准确性——仍是一个挑战。虽然重排序可以从多个生成候选中选择最优输出，但仅依赖来源作为指导，导致摘要不可靠。为此，我们提出 ConSUM 方法，通过考虑两个因素来对候选摘要进行重排序：与来源文档的一致性以及其他候选方案之间的共识。通过对生成的摘要集合进行最小贝叶斯风险 (MBR) 解码来建立共识，同时采用事实感知指标将摘要与来源进行比较以确保一致性。严格的测试表明，我们的方法与现有方法相当，人类评估进一步确认，其生成的摘要优于其他系统。我们的代码已公开于 https://github.com/naist-nlp/ConSUM。
引用
@article{arxiv.2605.29336,
title = {Enhancing Factuality through Consensus and Consistency in Summarization Using Minimum Bayes Risk Decoding},
author = {Riza Setiawan Soetedjo and Yusuke Sakai and Hidetaka Kamigaito and Jingun Kwon and Manabu Okumura and Taro Watanabe},
journal= {arXiv preprint arXiv:2605.29336},
year = {2026}
}
备注
Accepted to ACL 2026 Findings