选择性抽象：让LLM对不确定内容降低具体程度

论文让模型对不确定内容降低具体程度而非直接弃答。

资讯摘要

论文提出选择性抽象（SA）框架，让LLM在长文本生成中对不确定内容降低具体程度，而非二元地全部弃答。作者实现Atom-wise SA，将回答拆为原子主张，把低置信主张替换为更笼统、置信更高的表述，并以事实正确性为风险、保留信息为覆盖度构建评估流程。在五个LLM和两个长文本事实基准上，该方法优于七种基线，AURC较主张删除最高提升35.61%。

要点速读

1. 论文提出选择性抽象（SA），用选择性风险与覆盖度形式化“以具体性换可靠性”的取舍。
2. Atom-wise SA将回答分解为原子主张，把不确定主张替换为更高置信、更不具体的抽象。
3. 在五个LLM和两个长文本事实基准上，作者报告其风险-覆盖权衡优于七种基线，AURC较主张删除最高提升35.61%。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。