Implicit Intelligence -- Evaluating Agents on What Users Don't Say
Applied Machine Learning Research（应用机器学习研究）
隐式智能框架评估AI代理在未明示约束下的推理能力，通过交互式世界模拟发现代理在复杂情境下的表现有限，揭示了改进空间。
2026-02-23 cs.AI
Bias in Machine Learning -- What is it Good for?
Umeå University（于默奥大学）
在公共媒体和科学出版物中，术语\emph{bias}在许多不同的上下文中与机器学习结合使用，并具有许多不同的含义。本文通过调查机器学习的主要科学文献，提出了这些不同含义、术语和定义的分类。在某些情况下，我们建议扩展和修改，以促进明确的术语和完整性。调查之后，分析和讨论了不同类型的偏见是如何相互联系和相互依赖的。我们的结论是，在导致模型的机器学习管道中发生的偏见与模型的最终偏见（通常与社会歧视有关）之间存在复杂的关系。前者的偏见可能会也可能不会影响后者，有时是坏的，有时是好的。
2020-09-20 cs.AI cs.LG
What Comes Next? Evaluating Uncertainty in Neural Text Generators Against Human Production Variability
University of Amsterdam（阿姆斯特丹大学）；ITU Copenhagen（哥本哈根信息技术大学）；MCML Munich（慕尼黑机器学习中心）；LMU Munich（慕尼黑大学）
本文研究神经文本生成器在NLG任务中面对人类产出变异时的不确定性，通过实例级方法分析模型概率分布与解码算法，证明多采样和多参考探查能更好理解模型的不确定性表示。
2023-10-20 cs.AI cs.CL cs.LG
How good is my story? Towards quantitative metrics for evaluating LLM-generated XAI narratives
Universiteit Antwerpen（安特卫普大学）
针对LLM生成的XAI叙事缺乏非人工评估方式的问题，本研究提出评估框架与自动化指标，用于表格分类任务解释叙事的质量评测，对比了多款前沿LLM，并识别出相关的LLM幻觉新挑战。
2024-12-13 cs.AI cs.CL
What You See is What You Ask: Evaluating Audio Descriptions
CVIT, IIIT Hyderabad（计算机视觉与人工智能技术研究所，IIIT海得拉巴）
针对现有自动音频描述（AD）研究仅用裁剪片段和单参考评估的不足，该研究量化了AD创作的主观性，提出在数分钟连贯视频层面评估AD的ADQA问答基准，发现现有方法远逊于人工AD，并推出公开排行榜。
2025-10-01 cs.AI cs.CL cs.CV
A rubric landscape for evaluating clinical reasoning in large language models: what exists, what is missing, and what needs to be combined
DRIVE-Health CDT（DRIVE-Health 博士训练中心）；Department of Biostatistics and Health Informatics（生物统计学与健康信息学系）；Institute of Psychiatry, Psychology and Neuroscience（精神病学、心理学与神经科学研究所）；King’s College London（伦敦国王学院）；Cleveland Clinic London（伦敦克利夫兰诊所）
本研究系统梳理医学教育与临床LLM评估文献，提出覆盖六维度的临床推理评估框架，指出需整合现有工具并强化忠实性等薄弱环节。
2026-10-22 cs.AI cs.CL
ArtifactArena: Evaluating Models by What They Build in the Physical World
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；MIT Media Lab（麻省理工学院媒体实验室）；NYU Grossman School of Medicine（纽约大学格罗斯曼医学院）；UCSF（加州大学旧金山分校）
本文提出ArtifactArena平台，通过物理模拟竞技场中的机器人构建竞赛，评估前沿模型的零样本、验证器引导和开放式物理设计能力，并以Elo排名基准测试。
2026-10-26 cs.AI cs.RO
What Would You Ask When You First Saw $a^2+b^2=c^2$? Evaluating LLM on Curiosity-Driven Questioning
Stevens Institute of Technology（斯蒂文斯理工学院）
本文提出一个评估大语言模型知识获取潜力的框架，通过让模型对科学陈述提问并评分，发现小模型Phi-2在好奇心驱动提问上不逊于甚至优于大模型，挑战了规模决定论。
2025-07-07 cs.AI cs.CL cs.LG
What Gets Lost When Memory Becomes Media? Evaluating AI-Generated Oral History Visualization
AA LAB（AA实验室）；MODULABS；Aiffel（艾菲尔公司）
研究散居海外者口述历史可视化中记忆变媒介时的问题，基于口述历史理论设计指标，比较两种管道，发现场景规划与叙事保留冲突，提出基于失败模式的评估框架、冲突分析及系统选择路由协议。
2026-07-29 cs.AI cs.HC
Good News for Script Kiddies? Evaluating Large Language Models for Automated Exploit Generation
UNSW Sydney（新南威尔士大学悉尼分校）；Commonwealth Scientific and Industrial Research Organisation (CSIRO) Data61（澳大利亚联邦科学与工业研究组织（CSIRO）Data61）
本文首次系统评估了大型语言模型在自动化漏洞利用生成中的有效性与合作意愿，发现GPT-4和GPT-4o合作意愿高但均无法为重构代码生成漏洞利用程序，揭示了其潜力与局限。
2025-05-02 cs.AI cs.CR
What I cannot execute, I do not understand: Training and Evaluating LLMs on Program Execution Traces
University of Edinburgh（爱丁堡大学）；Meta AI
本文提出 Execution Tuning（E.T.）方法，通过显式建模程序执行轨迹训练大语言模型，无需人工测试标注，在 CruxEval 和 MBPP 上取得约 80% 准确率，并证明动态草稿板在长执行任务中具有优势。
2025-02-10 cs.AI cs.LG cs.PL
What Changed? Detecting and Evaluating Instruction-Guided Image Edits with Multimodal Large Language Models
University of Modena and Reggio Emilia（摩德纳和雷吉奥艾米利亚大学）；University of Pisa（比萨大学）；University of Trento（特伦托大学）；IIT-CNR
针对指令引导图像编辑评估难的问题，提出基于多模态大语言模型的DICE模型，通过差异检测与一致性估计两阶段方法，实现与人类判断高度相关的编辑质量评估。
2025-05-26 cs.AI cs.CL cs.CV
Do Agents Know What They Can't Do? Evaluating Feasibility Awareness in Tool-Using Agents
University of Edinburgh（爱丁堡大学）
提出FeasiGen自动构建不可行任务管道，通过屏蔽关键工具将可解任务转为不可解，评估发现多数模型缺乏可行性检测能力，错误继续率高达73.9%。
2026-05-27 cs.AI
What LLMs explain is not what they believe: Evaluating explanation sufficiency under models' own input beliefs
New York University（纽约大学）
提出自洽充分性（SCSuff）指标，利用 LLM 自身生成替代输入来评估自由文本解释的充分性，发现 LLM 解释通常不充分且与模型大小、准确率等弱相关。
2026-08-25 cs.AI cs.CL cs.LG
What Has a Foundation Model Found? Using Inductive Bias to Probe for World Models
Harvard University（哈佛大学）；MIT（麻省理工学院）
该研究通过归纳偏置探测技术揭示基础模型在适应新任务时无法捕捉底层世界模型结构的问题。
2025-12-27 cs.AI cs.LG
FRAME: Evaluating Rationale-Label Consistency Metrics for Free-Text Rationales
University of Southern California（南加州大学）；Meta AI
遵循人类如何交流，自由文本理论旨在使用自然语言来解释神经语言模型（LM）行为。然而，自由文本基本原理的不受约束的性质使它们容易产生幻觉，因此重要的是要有自由文本基本原理质量的指标。现有的自由文本基本原理度量标准测量基本原理与LM的预测标签的一致性，但没有用于评估此类度量标准可靠性的协议。因此，我们提出框架，一个框架，用于评估自由文本的理由标签一致性（RLC）指标。FRAME基于三个公理：（1）好的度量应该产生最高分数的参考理由，最大化RLC的建设;（2）好的度量应该是适当的敏感性的语义扰动的理由;（3）好的度量应该是强大的LM的任务性能的变化。在三个文本分类数据集，我们表明，现有的RLC指标不能满足所有三个框架公理，因为它们是通过模型预训练，混淆度量的信号。然后，我们引入了一个非预训练RLC度量，它在（1）和（3）上的性能大大优于基线，而在（2）上的性能具有竞争力。最后，我们讨论了使用RLC评估自由文本的理由的局限性。
2022-12-02 cs.AI cs.CL cs.LG
Evaluating Large Language Model Performance on International Maritime Dangerous Goods Code Compliance
NCB Hazcheck Limited（NCB Hazcheck有限公司）；Durham University（杜伦大学）
本研究构建首个IMDG规则合规性基准DGEval，评估13个LLM的性能，发现其在积载等安全关键领域表现弱，仅可辅助结构化查询，需人工监督。
2026-09-29 cs.AI
What's a good imputation to predict with missing values?
Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；IJCLab（直线加速器实验室）；Inria（法国国家信息与自动化研究所）；CEA（法国原子能和替代能源委员会）；Ecole Polytechnique（巴黎综合理工学院）；IP Paris（巴黎理工学院）
如何在有缺失值的数据上学习一个好的预测器？大多数努力集中在第一次插补，以及可能和第二次学习的完整的数据，以预测结果。然而，这种普遍的做法没有理论基础。在这里，我们表明，对于几乎所有的插补函数，一个强大的学习器的插补然后回归过程是贝叶斯最优的。这一结果适用于所有缺失值机制，与传统的统计结果相反，传统的统计结果需要随机缺失设置才能在概率建模中使用插补。此外，它意味着完美的条件填补是不需要良好的预测渐近。事实上，我们证明了在完全插补数据上，最好的回归函数通常是不连续的，这使得它很难学习。相反，精心设计插补以保持回归函数不变，只是将问题转移到学习不连续插补上。相反，我们建议，它是更容易学习插补和回归联合。我们提出了这样一个程序，适应NeuMiss，一个神经网络捕获的条件链接观察到的和未观察到的变量无论丢失值的模式。实验证明，联合填补和回归通过NeuMiss是优于各种两步程序在我们的实验中，有限数量的样本。
2021-11-30 cs.AI cs.LG stat.ML
AI for the Common Good?! Pitfalls, challenges, and Ethics Pen-Testing
KU Leuven（鲁汶大学）
最近，许多人工智能研究人员和从业者已经开始研究涉及“做好”人工智能的研究愿景。这是为人工智能研究和实践注入伦理思维的一般驱动力的一部分。当前道德准则中的一个常见主题是要求人工智能对所有人都有好处，或者：为共同利益做出贡献。但是什么是共同利益，想要成为好人就足够了吗？通过四个引导性问题，我将从人工智能的角度说明在确定什么是共同利益以及如何通过人工智能增强共同利益时面临的挑战和陷阱。问题是：什么是问题/什么是问题？谁来定义这个问题？知识的作用是什么？什么是重要的副作用和动力学？该插图将使用来自“AI for Social Good”领域的示例，更具体地说是“Data Science for Social Good”。即使这些问题的重要性在抽象层面上是众所周知的，但在实践中却没有得到充分的提问，正如对该领域最近会议的99份文稿进行的探索性研究所表明的那样。将这些挑战和陷阱转化为积极的建议，作为结论，我将利用计算机科学思维和实践的另一个特征来使这些障碍可见并削弱它们：“攻击”作为改进设计的方法。这导致了道德笔测试的建议，作为帮助人工智能设计更好地为共同利益做出贡献的方法。
2018-11-01 cs.AI cs.CY
Do LLMs Know What to Ask and When? Evaluating Multi-Turn Information Seeking
Harvard University（哈佛大学）；Google DeepMind（谷歌DeepMind）
该研究构建MT-InfoSeek评估套件，从提问内容、时机及信息影响三方面评估LLMs的多轮信息获取能力，发现其存在低估信息需求等缺陷，且该能力未被现有评估覆盖。
2026-08-18 cs.AI cs.CL cs.LG
What's the Catch? Evaluating Temporal Consistency in Vision-Language Models
University of Copenhagen（哥本哈根大学）
本研究提出TimeCatch基准，发现视觉-语言模型可检测单帧异常但难整合跨帧信息，在时间异常检测上表现接近随机水平。
2026-09-15 cs.AI cs.CL cs.CV
What's Pulling the Strings? Evaluating Integrity and Attribution in AI Training and Inference through Concept Shift
University of New South Wales \& CSIRO's Data61 Sydney Australia；Macquarie University Sydney Australia；University of New South Wales Sydney Australia；University of Illinois at Urbana–Champaign Champaign；University of New South Wales \& CSIRO's Data61；Macquarie University；University of New South Wales；University of Illinois at Urbana–Champaign
提出ConceptLens框架，利用预训练多模态模型分析探测样本中的概念偏移，识别并归因AI训练与推理中的完整性、隐私及偏见威胁，揭示安全数据易被利用的风险，为提升AI可信度提供可操作见解。
2025-07-16 cs.AI cs.CR cs.LG
Towards evaluating and eliciting high-quality documentation for intelligent systems
IBM Research（IBM研究院）；Rensselaer Polytechnic Institute（伦斯勒理工学院）
建立在机器学习和人工智能基础上的智能系统的信任和透明度的一个重要组成部分是开发清晰、可理解的文档。然而，这样的系统因其复杂性和不透明性而臭名昭著，这使得高质量的文档成为一项重要的任务。此外，人们对是什么让此类文档“好”知之甚少。“在本文中，我们提出并评估了一套质量维度，以确定这种类型的文档在哪些方面存在不足。然后，使用这些尺寸，我们评估三种不同的方法，引起智能系统的文档。我们将展示这些维度如何识别这些文档中的缺点，并说明如何使用这些维度来进一步使用户能够提供适合给定角色或用例的文档。
2020-11-17 cs.AI cs.SE
Do Large Language Models Know What They Don't Know? Kalshibench: A New Benchmark for Evaluating Epistemic Calibration via Prediction Markets
Lotus AI
研究发现大型语言模型普遍存在过度自信问题，表明知识校准需要专门发展。
2025-12-17 cs.AI
What Makes a "Good" Data Augmentation in Knowledge Distillation -- A Statistical Perspective
Northeastern University（东北大学）；MERL（三菱电机研究实验室）
知识蒸馏（KD）是一种通用的神经网络训练方法，它使用教师模型来指导学生模型。现有的工作主要从网络输出侧（例如，试图设计一个更好的KD损失函数），而很少有人试图从输入端理解它。特别是，它与数据增强（DA）的相互作用还没有得到很好的理解。在本文中，我们问：为什么有些DA方案（例如，CutMix）在KD中固有地表现得比其他人好得多？是什么让一个“好”的检察官在KD？我们的调查从统计的角度表明，一个好的DA计划应该减少师生交叉熵的协方差。一个实用的度量，教师的平均概率（T。stddev），进一步提出并充分证明经验。除了理论上的理解，我们还介绍了一个新的基于熵的数据混合DA计划，CutMixPick，进一步提高CutMix。广泛的实证研究支持我们的主张，并证明我们如何可以收获相当大的性能收益，只是通过使用一个更好的DA计划在知识蒸馏。
2023-02-21 cs.AI cs.CV cs.LG
Measuring What Matters Beyond Text: Evaluating Multimodal Summaries by Quality, Alignment, and Diversity
School of Computing, Macquarie University（麦考瑞大学计算学院）
本文提出MM-Eval框架，整合文本质量、跨模态对齐和视觉多样性评估，通过学习聚合模型优化多模态摘要的综合评价，揭示事实一致性对整体质量的关键作用。
2026-05-12 cs.AI
Beyond Goodhart's Law: A Dynamic Benchmark for Evaluating Compliance in Multi-Agent Systems
Fudan University（复旦大学）；Shanghai Academy of AI for Science（上海人工智能科学研究院）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Monash University（莫纳什大学）
针对多智能体系统在压力下可能违反安全规则的问题，提出MAC-Bench动态对抗基准，通过SERV流水线生成无污染场景，并引入CSR和MG指标评估前沿模型的合规性。
2026-06-05 cs.AI cs.MA
What Would an LLM Do? Evaluating Large Language Models for Policymaking to Alleviate Homelessness
United Nations University Institute in Macau（联合国大学澳门研究所）；IBM Research（IBM研究院）
本文评估LLMs在缓解贫困中的政策建议一致性，提出基于能力方法的基准，并探讨LLMs与专家结合使用在政策制定中的潜在价值。
2026-01-28 cs.AI
Litmus: Zero-Label, Code-Driven Metric Specification for Evaluating AI Systems
PricewaterhouseCoopers, U.S.（普华永道（美国））
提出Litmus系统，通过分析源代码自动生成评估指标，无需人工标注，在三个真实AI流水线上优于基线方法。
2026-10-14 cs.AI
Who Said What, and Will It Be Remembered? Evaluating Persistent Speaker Attribution Across Meetings
Foyer
本文提出SI-cpWER指标评估跨会议持久说话人归属，对比商业与学术系统，ThyVoice在CHiME-8上表现最优，SI-cpWER为47.13，优于商业系统，强调持久归属需直接评估。
2026-10-01 cs.AI cs.SD
Too Much of a Good Thing: When sim2real Efforts Impede Policy Learning (And What to Do About It)
Apptronik；University of Texas at Austin（得克萨斯大学奥斯汀分校）
本文指出 sim2real 努力与策略学习之间存在激励错位，导致模拟器锁定和策略探索不足，并提出通过 sim2sim2real 范式仅以机器人运动学为设计约束的潜在解决方案。
2026-06-03 cs.AI cs.RO
Ethical AI for Social Good
University of Central Florida（中佛罗里达大学）
AI for Social Good（AI4SG）的概念在信息社会和AI社区都获得了发展势头。通过基于人工智能的解决方案的所有进步，它可以有效地解决社会问题。然而，到目前为止，只有一个基本的把握是什么构成AI社会有益的原则上，什么构成AI4SG在现实中，以及什么是需要确保它的政策和法规。本文填补了真空，通过解决道德方面是至关重要的未来AI4SG的努力。其中一些特征对人工智能来说是新的，而另一些特征由于其使用而具有更大的重要性。
2021-07-14 cs.AI cs.CY
Evaluating Bregman Divergences for Probability Learning from Crowd
Univ. Técnica Federico Santa María（圣玛丽亚联邦理工大学）
众包场景是一个很好的例子，它在某些类别上有一个概率分布，显示了人们在全球视角下的想法。学习这种概率分布的预测模型可能比只学习给出数据最可能类别的判别模型更有价值。在这里，我们提出了不同的模型，适应有概率分布为目标的训练机器学习模型。我们重点讨论了Bregman分歧框架作为目标函数来最小化。结果表明，在Keras框架下，在构建目标函数和考虑神经网络的等价优化时，必须特别小心。
2019-01-30 cs.AI cs.LG stat.ML
AI Virtue: What is "Good" Knowledge in the Age of Artificial Intelligence?
本文运用数字人文方法，分析2024年553篇AI论文中的认知美德，以“创造力”为例，探讨评估AI知识价值的框架，强调面向未来的“生成性”价值。
2026-07-07 cs.AI cs.CY
Evaluating LLM Reasoning Beyond Correctness and CoT
Microsoft Research, Vancouver, Canada（微软研究院，温哥华，加拿大）
SIEV框架通过动态轨迹评估推理过程，揭示模型在面对冲突和挑战时的鲁棒性与综合能力，展现大语言模型推理能力的显著差异。
2026-02-12 cs.AI
How Many Parameters Does it Take to Change a Light Bulb? Evaluating Performance in Self-Play of Conversational Games as a Function of Model Characteristics
University of Potsdam（波茨坦大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
该研究通过对话博弈自博弈基准分析大语言模型性能与参数量、训练类型等特征的关系，发现参数量与性能相关但同规模下性能差异大，同时指出访问方式影响性能预测、中等权重量化下性能稳定。
2024-06-20 cs.AI cs.CL
What Makes a Good Dataset for Symbol Description Reading?
IBM Research Europe（IBM欧洲研究院）；University of Rostock（罗斯托克大学）
本文针对数学标识符描述阅读任务，提出含7508个标注实例的MFQuAD数据集，并改进短语排名方法，通过实验建立性能基线并总结有效数据集特征。
2023-04-17 cs.AI cs.CL
AvalonBench: Evaluating LLMs Playing the Game of Avalon
University of California, Berkeley（加州大学伯克利分校）；California Institute of Technology（加州理工学院）；Rensselaer Polytechnic Institute（伦斯勒理工学院）；Shenzhen University（深圳大学）
该研究推出用于评估多智能体大语言模型的阿瓦隆游戏基准AvalonBench，通过实验发现大语言模型智能体在游戏中表现弱于规则基线，为后续更先进大语言模型及智能体框架开发提供测试平台。
2023-11-08 cs.AI cs.CL
What Is Your Agent's GPA? A Framework for Evaluating Agent Goal-Plan-Action Alignment
BASIS Independent Silicon Valley Upper School（BASIS独立硅谷高中）；Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
本文提出Agent GPA框架，通过评估代理目标、计划和行动的对齐性，验证其在多代理、单代理和企业数据代理中的有效性，展示了高误差覆盖和调试定位能力。
2026-03-27 cs.AI cs.MA
On the Limits of Design: What Are the Conceptual Constraints on Designing Artificial Intelligence for Social Good?
Oxford Internet Institute, University of Oxford（牛津大学牛津互联网研究院）
人工智能AI可以通过帮助降低成本、提高效率并为复杂问题提供新的解决方案，为社会带来实质性的好处。以Floridi关于如何设计“信息圈”的概念为出发点，在本章中，我将考虑这样一个问题：设计的局限性是什么，即设计人工智能以造福社会的概念约束是什么？本章的主要论点是，虽然设计是塑造技术和社会的有用概念工具，但设计未来社会的集体努力受到内部和外部因素的制约。设计的内部约束进行了讨论，唤起哈丁的思想实验关于“公共悲剧”。此外，哈耶克对“宇宙”和“出租车”的经典区分被用来划分设计的外部约束。最后，提出了五个设计原则，旨在帮助决策者管理设计的内部和外部约束。设计未来社会的成功方法需要考虑复杂系统的涌现特性，为意外发现和社会技术共同进化留出空间。
2021-11-07 cs.AI cs.CY econ.GN
BenchBrowser: Retrieving Evidence for Evaluating Benchmark Validity
Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所）；Thomas Lord Department of Computer Science, University of Southern California（南加州大学托马斯·洛德计算机科学系）
BenchBrowser通过检索20个基准测试集中的相关评估项目，帮助评估者诊断基准测试在内容有效性与收敛有效性上的不足，从而弥补实践者意图与实际测试内容之间的差距。
2026-04-09 cs.AI cs.CL cs.SE
ActionCodec: What Makes for Good Action Tokenizers
Tsinghua University（清华大学）；Fudan University（复旦大学）；Tianjin University（天津大学）；Shanghai Innovation Institute（上海创新研究院）
本文提出ActionCodec，通过信息论原则提升动作分词性能，实现无需机器人预训练的VLA模型新SOTA。
2026-10-09 cs.AI cs.RO
What Makes Good Multilingual Reasoning? Disentangling Traces with Measurable Features
University of Maryland（马里兰大学）；Johns Hopkins University（约翰霍普金斯大学）
本文通过定义可测量的推理特征，研究多语言环境下有效推理的特征，并发现这些特征在不同语言中的关联强度差异显著，挑战了以英语为中心的奖励设计。
2026-09-22 cs.AI cs.CL
Evaluating the Social Impact of Generative AI Systems in Systems and Society
该研究针对生成式AI社会影响评估缺乏官方标准的问题，提出覆盖基础系统（含七类影响）与社会场景（含五大类影响）的标准化评估框架，并给出评估方法与伤害缓解建议。
2024-06-28 cs.AI cs.CY
What Makes a Good and Useful Summary? Incorporating Users in Automatic Summarization Research
University of Amsterdam（阿姆斯特丹大学）；Microsoft Research（微软研究院）
自动文本摘要多年来取得了很大的进展，并在许多应用中使用，影响了许多人的生活。尽管有这样的发展，有意义的研究很少调查如何在自动摘要目前的研究重点与用户的需求一致。为了弥合这一差距，我们提出了一个调查方法，可用于调查用户的自动生成的摘要的需求。重要的是，这些需求取决于目标群体。因此，我们设计的调查可以很容易地进行调整，以调查不同的用户组。在这项工作中，我们专注于大学生，他们在学习期间广泛使用摘要。我们发现，目前的研究方向的自动摘要社区不完全符合学生的需求。受我们的研究结果的启发，我们提出了在未来的自动摘要研究中减轻这种不匹配的方法：我们提出了影响自动生成摘要的设计，开发和评估的研究方向。
2022-04-29 cs.AI cs.CL cs.HC
