用鸟群法减少AI长文摘要的“幻觉” ^{CEFR B2}

人工智能在长文档摘要任务中常出现虚假或误导性信息，研究者称之为“幻觉”。这类错误在输入文本冗长、含噪声或重复信息时尤为常见，会增加人工核查和修正工作的负担。

纽约大学团队在 Anasse Bari 的领导下（合著者包括 Binxu Huang）提出一种基于鸟群行为的算法框架，作为大型语言模型的预处理步骤。第一阶段对每句文本做清洗，保留名词、动词和形容词并合并多词术语，随后将句子转换为融合词汇、语义和主题特征的数值向量，计算全文中心性、章节重要性和与摘要一致性的评分，并对引言、结果与结论等关键章节进行数值提振。

第二阶段借用鸟群的凝聚、对齐与分离三原则，使含义相近的句子聚成簇。每个簇出现领头句并吸引相近句子，最终只从每簇中选取得分最高的句子。这样既减少冗余，又保留背景、方法、结果与结论等信息覆盖。所选句子经重新排序后交由大型语言模型合成为基于原文的通顺摘要。

研究者在超过9,000份文档上进行了测试，结果显示将该鸟群框架与大型语言模型结合后，生成的摘要在事实准确性上优于未使用该框架的模型。Bari 强调这是一个预处理步骤，目的是帮助模型更贴近原始材料；作者也指出该方法能降低幻觉风险，但无法完全消除。该工作已发表在期刊 Frontiers in Artificial Intelligence。

• 核心步骤：清洗、向量化、评分、聚簇、选句与重排。
• 优点：减少冗余并提高事实准确性。
• 限制：降低风险但不能完全消除幻觉。