LLM何时应当更不具体？面向可靠长文本生成的选择性抽象

LLM被广泛使用，但仍容易出现事实错误，这会削弱用户信任并限制其在高风险场景中的采用。缓解这一风险的一种方法是为模型配备不确定性估计机制，在置信度低时弃答。然而，这种二元的“全有或全无”方式在长文本场景中限制过度，常常丢弃有价值的信息。我们提出选择性抽象（Selective Abstraction，SA），一个让LLM通过选择性降低不确定内容的细节来以具体性换取可靠性的框架。我们首先通过选择性风险与覆盖率的视角将SA形式化。随后我们提出原子级选择性抽象（Atom-wise Selective Abstraction），一种声明级实例化，它将回复分解为原子声明（各自表达单一事实的简短自足陈述），并用置信度更高、更不具体的抽象替换不确定的原子。为评估该框架，我们开发了一套面向开放式生成的新型端到端流水线，将风险实例化为事实正确性，并用信息论的保留信息度量来测量覆盖率。在FactScore和LongFact-Objects基准上跨六个开源模型的实验中，原子级SA持续优于现有基线，风险-覆盖曲线下面积（AURC）较声明删除最高提升27.73%，表明降低具体性可以在保留大部分原意的同时提升准确性与可靠性。