SCURank：使用摘要内容单元对多个候选摘要进行排名，以增强摘要

小语言模型（SLM），例如BART，可以通过蒸馏实现与大语言模型（LLM）相当的摘要性能。然而，现有的基于 LLM 的候选摘要排名策略不稳定，而经典指标（例如 ROUGE）不足以对高质量摘要进行排名。为了解决这些问题，我们引入了 \textbf{SCURank}，这是一个通过利用 \textbf{摘要内容单元 (SCU)} 来增强摘要的框架。 SCURank 不依赖不稳定的比较或表面重叠，而是根据信息内容的丰富性和语义重要性来评估摘要。我们研究了 SCURank 从多个不同的 LLM 中提取摘要的有效性。实验结果表明，SCURank 在评估指标和数据集上优于传统指标和基于 LLM 的排名方法。此外，我们的研究结果表明，合并不同的 LLM 摘要增强了模型抽象性和整体蒸馏模型性能，验证了多 LLM 蒸馏 中以信息为中心的排名的好处。 SCURank 的代码可在 https://github.com/IKMLab/SCURank 获取。