文章预览
RAG通过结合LLMs和检索器，利用搜索引擎增强了长篇问答（ Long-form Question Answering ）的质量。 尽管存在多种开源方法和商业系统，如Bing Chat，但生成的长形答案中存在两个关键问题： 事实性不足和逻辑清晰度不够。 为了解决这些问题，提出了一种 新颖的大纲增强生成器（outline-enhanced generator） ，以实现多面性答案的清晰逻辑生成，并构建了两个相应的数据集。接着，提出了一 种基于精心设计的事实性优化方法 ，该方法采用双细粒度的RLHF（Reinforcement Learning from Human Feedback）框架，包含不同粒度级别的自动评估和奖励建模。 展示了用于网络增强型长篇问答任务（LFQA）的LLM输入（ 左上 ），现有的生成器（ 左下 ），大纲增强生成器（ 中间 ）以及我们双细粒度的事实性优化方法（ 右 ）。在生成长答案之前，大纲增强生成器首先起草一个组织模式和
………………………………
