arXiv · AI· Jinglin He, Siyang Jiang, Lixing He, Guoliang Xing, Hongkai Chen·· 2026-10-06AI 评分27
基于语言模型的证据保留归属路由实现词级文本解混
Word-Level Text Unmixing via Evidence-Preserving Ownership Routing with Language Models
AI 导读
研究者提出证据保留归属路由(EPOR),将来源归属预测与文本重建解耦,用因果 LLM 预测归属路径,配合受限解码与确定性索引重建,实现词级文本解混。 EPOR 在 UNMIXBENCH 五个评测赛道上,4B 模型取得微调基线中最低的平均最小排列词错误率,较紧凑来源数组生成降低 22.3%,并与零样本前沿 LLM 保持竞争力。 该方法在词汇证据完整可观测时,为直接生成提供了可靠替代方案。
来源:arXiv · AI · arxiv.org