文本摘要是什么？把长文章压缩成要点

文本摘要（Summarization）是把长文本自动压缩成简短版本、保留核心信息的技术。新闻摘要、会议纪要、论文要点、长报告的执行摘要、聊天记录总结，都是它的应用。它要求模型既能读懂原文、分辨哪些是关键信息，又能把这些信息组织成简洁连贯的文字。

两种思路

抽取式摘要：直接从原文中挑出最重要的几个句子，拼起来作为摘要。早期方法根据句子的位置、关键词频率、与其他句子的相似度等特征给句子打分排序。好处是内容都来自原文，不会凭空编造；缺点是拼出来的句子之间常常不连贯，也没法把分散在多处的信息合并成一句话。

生成式摘要：像人一样读完后用自己的话重新表述，可以改写、合并、概括。2015 年，哈佛大学和 Facebook 的研究人员提出了一个基于注意力机制的神经网络模型：生成摘要的每个词时，都会关注输入句子中相关的部分。模型结构简单，可以端到端训练，能用大量数据训练，在当时的 DUC-2004 摘要评测上明显超过了多个强基线，推动了生成式摘要的研究。后来，指针生成网络解决了生成式摘要容易写错专有名词的问题，预训练语言模型又进一步提升了效果。

大模型时代

摘要是大语言模型最擅长、也最常用的能力之一。它们能按要求控制摘要的长度、风格和侧重点，比如“用三句话总结”“只列出行动项”“面向非专业读者”。长上下文模型让整本书、数小时会议记录的一次性摘要成为可能。

要警惕的问题

生成式摘要最大的风险是“忠实度”：模型可能写出原文没有的内容，或者把数字、人名、因果关系弄错，读者如果不看原文就很难发现。对重要文件，比如合同、医疗记录、财务报告，摘要应该附上对应的原文位置，关键信息要人工核对。评测上，传统的 ROUGE 分数只看字面重叠，越来越多地被事实一致性检查和人工评估补充。