解耦生成和选择以实现预算受限的忠实总结

抽象摘要模型仍然容易受到事实不一致、冗余和长度控制薄弱的影响。我们提出了一个用于句子预算约束摘要的模块化生成和选择框架。预训练的生成器生成多个候选摘要，这些摘要被分解为句子级候选。然后，组合选择器通过在明确的预算下平衡相关性、事实性和冗余来构建最终摘要。该框架支持 MMR、ILP 和 DPP 启发的对数行列式目标，无需重新训练生成器。 CNN/DailyMail、Multi-News、FaithBench 和 TofuEval 上的实验表明，事实性和来源基础指标得到了持续改进，尤其是多文档摘要，但代价是参考重叠分数较低。人类评估进一步表明感知的一致性、相关性、清晰度和简洁性更高，但连贯性略有下降。这些结果表明，将生成与选择解耦为改善事实基础提供了一种与模型无关的机制。代码可在 https://anonymous.4open.science/r/bcfs-D05E/ 获取。