通过意图感知提升 attributed long-form question answering 的表现
计算与语言
2026-03-31 v1 人工智能
摘要
大型语言模型 (LLM) 正越来越多地用于生成全面且知识密集型的报告。然而，尽管这些模型在训练时接触了多样化的学术论文和报告，但并未暴露于撰写这些文档所指导的推理过程和意图之下。我们假设，增强模型的意图感知能力可以显著提升生成长篇报告的质量。我们开发并运用了结构化的标记基方案，更好地引导模型表达编写或引用的潜在意图。我们展示，这些提取的意图既增强了 LLM 的零样本生成能力，也 enables 为微调小型模型创建高质量的合成数据。我们的实验结果显示，在各种具有挑战性的科学报告生成任务上，大模型和小模型相较于基线分别提升了 +2.9 和 +12.3 个绝对分数。此外，我们的分析阐明了意图感知如何增强模型的引用使用情况，并显著改善了报告的可读性。
引用
@article{arxiv.2603.27435,
title = {Improving Attributed Long-form Question Answering with Intent Awareness},
author = {Xinran Zhao and Aakanksha Naik and Jay DeYoung and Joseph Chee Chang and Jena D. Hwang and Tongshuang Wu and Varsha Kishore},
journal= {arXiv preprint arXiv:2603.27435},
year = {2026}
}
备注
39 pages, 7 figures