通过结构化内嵌引文生成明确证据基础

随着人工智能系统的广泛采用，对事实和忠实生成的需求不断增长。因此，通过引用正确归属信息变得至关重要。这项工作引入了 FullCite，这是一个框架，与大多数以前的工作相比，它生成结构化的内联引用，将每个声明与其源文档和支持证据联系起来。 FullCite 提出了三种内联引文生成策略：基于提示的生成、对引文语法的约束解码以及事后跨度对齐。使用三个问答基准，即 ASQA、BioASQ 和 ExpertQA，我们从三个维度评估引文质量和 忠实性：文档级正确性、证据跨度识别和声明引文 忠实性。我们的评估表明，虽然 LLM 在识别相关文档方面通常很有效，但它们很难识别其中的精确支持范围。这一差距表明，要实现忠实的归因质量保证，需要研究更加重视精确的证据跨度识别。