通过学习提问来学习总结: 面向长文档总结的对抗式智能体协作
计算与语言
2026-02-06 v3
摘要
长文档总结是当前大型语言模型 (LLM) 面临的重大挑战，因为现有方法在处理超长文档时常常难以避免信息丢失、事实不一致和连贯性问题。我们提出 SummQ，一种新的对抗式多智能体框架，通过在两个互补领域中的专业化智能体之间的协作来解决这些限制。我们的做法采用 summary generators 和 reviewers 协作创建和评估全面总结，同时 quiz generators 和 reviewers 创建理解问题，作为总结过程的持续质量检查。这种对抗动态通过一个 examinee 智能体来增强，后者验证生成的总结是否包含回答问题所需的信息，从而实现多层次反馈机制的迭代细化。我们在三个广泛使用的长文档总结基准测试上评估了 SummQ。实验结果表明，我们的框架在 ROUGE 和 BERTScore 指标上均显著优于现有最先进的方法，以及在 LLM-as-a-Judge 和人类评估中表现更佳。我们的全面分析揭示了多智能体协作动态的有效性、不同智能体配置的影响以及 quizzing 机制的影响。该工作建立了一种新的长文档总结方法，通过对抗式智能体协作来提高总结质量。
引用
@article{arxiv.2509.20900,
title = {Learning to Summarize by Learning to Quiz: Adversarial Agentic Collaboration for Long Document Summarization},
author = {Weixuan Wang and Minghao Wu and Barry Haddow and Alexandra Birch},
journal= {arXiv preprint arXiv:2509.20900},
year = {2026}
}