《Attribution, Citation, and Quotation: A Survey of Evidence-based Text Generation with Large Language Models》总结与翻译一、文章主要内容总结该研究聚焦于大语言模型（LLMs）的循证文本生成领域，旨在解决LLMs输出不可靠、易产生幻觉及知识局限于训练数据等问题，通过系统分析134篇相关论文，梳理该领域的研究现状、方法体系与挑战。1. 研究背景与核心问题LLMs的局限性：尽管LLMs在语言理解与生成上表现突出，但存在生成幻觉（输出无依据内容）、知识受限于训练数据的问题，导致可靠性与可信度不足。领域痛点：循证文本生成研究存在术语不一致（如“检索增强生成（RAG）”仅为七种相关方法之一）、评估方式孤立、缺乏统一基准等问题，导致研究碎片化。2. 核心概念界定研究明确了循证文本生成中三个关键概念的差异，三者共同构成“LLMs循证文本生成”范式（即生成文本需附带可追溯至支持证据的明确引用）：引用（Citation）：插入引用标记，明确指向支持证据 Attribution, Citation, and Quotation: A Survey of Evidence-based Text Generation with Large Langu...
《Attribution, Citation, and Quotation: A Survey of Evidence-based Text Generation with Large Language Models》总结与翻译一、文章主要内容总结该研究聚焦于大语言模型（LLMs）的循证文本生成领域，旨在解决LLMs输出不可靠、易产生幻觉及知识局限于训练数据等问题，通过系统分析134篇相关论文，梳理该领域的研究现状、方法体系与挑战。1. 研究背景与核心问题LLMs的局限性：尽管LLMs在语言理解与生成上表现突出，但存在生成幻觉（输出无依据内容）、知识受限于训练数据的问题，导致可靠性与可信度不足。领域痛点：循证文本生成研究存在术语不一致（如“检索增强生成（RAG）”仅为七种相关方法之一）、评估方式孤立、缺乏统一基准等问题，导致研究碎片化。2. 核心概念界定研究明确了循证文本生成中三个关键概念的差异，三者共同构成“LLMs循证文本生成”范式（即生成文本需附带可追溯至支持证据的明确引用）：引用（Citation）：插入引用标记，明确指向支持证据 RELATED READING
延伸阅读
更多一线实战笔记与深度复盘，助您持续精进
