使用 Phi Silica 进行短文本重写

短文本重写是释义的一种受限变体，其中有限的上下文和高语义密度几乎没有留下变化的空间。虽然 大语言模型 在一般释义方面表现良好，但小语言模型 (SLM) 在简短形式设置中常常难以实现语义保真度和幻觉鲁棒性。在这项工作中，我们提出了一项实证研究，通过数据集管理、提示 蒸馏、参数高效 微调 和评估来调整 SLM、Phi Silica 进行简短形式重写。我们从公共幻灯片中策划了一个简短的演示风格文本数据集，并使用 GPT-5-chat 来生成重写监督并进行 LLM-as-a-judge 评估。我们的结果表明，微调提高了语义保真度，减少了幻觉，并提高了针对 GPT-5 聊天重写的偏好获胜率。研究结果表明，对 SLM 进行有针对性的调整可以大大缩小与云模型的差距，并为使 SLM 适应精度关键的重写任务提供实用指导。