摘要由 AI 生成
2026 年 9 月 7 日，arXiv cs.AI 发布论文《Attributable by Construction: Claim-Anchored Provenance for Multi-Document Summarization》，提出一种通过构建声明锚点来确保多文档摘要中事实可追溯性的新方法。该方法旨在解决多文档摘要中常见的事实归属不清问题，使生成的摘要内容能够明确关联至原始来源文档的具体段落或语句，从而提升信息可信度与可验证性。
关键实体KEY ENTITIES
CAMSDiverseSummMultiNewsWCEP
报道态势 · 每日报道量LANGUAGE SPLIT
实体关系
信号强度SIGNALS
关键词热度
- CAMS1
- MultiNews1
- DiverseSumm1
- WCEP1
全部报道（1）SOURCES
↗
CAMS 框架提出将归因作为生成结构属性而非下游预测，通过分解源文档为原子声明并确定性地解析其来源，实现了从逐字引用到词元跨度的精准溯源。该方法在 MultiNews、DiverseSumm 及 WCEP 零样本测试中，将多源归因准确率从 38% 提升至 64%，同时保持引用数量不变，并将人工验证每个声明的时间缩短 3.4 倍。CAMS 在总结质量上与强基线持平，显著提升了忠实度和引用精度，并明确了归因作为独立于模型准确性的不变量这一特性。研究团队已开源代码及约 32 万条声明 - 引用 - 跨度标注数据。