ScholarCopilot：借助精準引用訓(xùn)練大語言模型助力學(xué)術(shù)寫作
在學(xué)術(shù)寫作中，精準引用與優(yōu)質(zhì)文本生成至關(guān)重要，現(xiàn)有檢索 - 增強生成系統(tǒng)卻難以滿足需求。今天為大家?guī)硪黄芯砍晒榻B，文中提出的ScholarCopilot框架，能訓(xùn)練大語言模型助力學(xué)術(shù)寫作。它表現(xiàn)如何？又有哪些創(chuàng)新？快來一探究竟。
參考文獻
@article{wang2024scholarcopilot,
title={ScholarCopilot: Training Large Language Models for Academic Writing with Accurate Citations},
author = {Wang, Yubo and Ma, Xueguang and Nie, Ping and Zeng, Huaye and Lyu, Zhiheng and Zhang, Yuxuan and Schneider, Benjamin and Lu, Yi and Yue, Xiang and Chen, Wenhu},
journal={arXiv preprint arXiv:2504.00824},
year={2025}
}摘要
學(xué)術(shù)寫作既需要連貫的文本生成，也需要對相關(guān)文獻進行精確引用。盡管近期的檢索增強生成（RAG）系統(tǒng)在通用文本生成中大幅提升了事實準確性，但其支持專業(yè)學(xué)術(shù)寫作的能力仍較為有限。在本研究中，本研究推出了ScholarCopilot，這是一個統(tǒng)一框架，旨在強化現(xiàn)有的大語言模型，使其能夠生成帶有精準且貼合上下文引用的專業(yè)學(xué)術(shù)文章。ScholarCopilot通過生成檢索令牌[RET]動態(tài)判斷何時檢索學(xué)術(shù)參考文獻，隨后利用該令牌查詢引文數(shù)據(jù)庫。檢索到的參考文獻會被輸入模型，以優(yōu)化生成過程。本研究在單一框架內(nèi)對文本生成和引文檢索任務(wù)進行聯(lián)合優(yōu)化，以此提高效率。本研究的模型基于Qwen-2.5-7B構(gòu)建，并在arXiv上的50萬篇論文上進行訓(xùn)練。在本研究的評估數(shù)據(jù)集上，其 top-1檢索準確率達到40.1% ，超越了諸如E5-Mistral-7B-Instruct（15.0%）和BM25（9.8%）等基線模型。在包含1000個學(xué)術(shù)寫作樣本的數(shù)據(jù)集上，ScholarCopilot在生成質(zhì)量（從相關(guān)性、連貫性、學(xué)術(shù)嚴謹性、完整性和創(chuàng)新性等方面衡量）的評分達到16.2/25，顯著優(yōu)于所有現(xiàn)有模型，包括檢索增強型的Qwen2.5-72B-Instruct等規(guī)模更大的模型。用戶研究進一步表明，盡管ScholarCopilot是一個70億參數(shù)規(guī)模的模型，但在引用質(zhì)量上的受青睞程度遠超ChatGPT，獲得了100%的偏好度；在整體實用性方面，其偏好度也超過70%。
圖1：傳統(tǒng)檢索增強生成（RAG）系統(tǒng)與本研究提出的ScholarCopilot的對比. 傳統(tǒng)RAG系統(tǒng)（左圖）將檢索和生成過程分開執(zhí)行，這會導(dǎo)致表示不一致。相比之下，ScholarCopilot（右圖）在文本生成過程中動態(tài)生成檢索令牌[RET]，用于一體化且具備上下文感知能力的參考文獻檢索。
傳統(tǒng)RAG與ScholarCopilot的對比
本研究介紹的ScholarCopilot是一個用于學(xué)術(shù)寫作的智能RAG框架，它能夠動態(tài)整合文本生成和引文檢索功能。與傳統(tǒng)的分階段檢索和生成方法不同，本研究的系統(tǒng)會依據(jù)上下文的變化生成特殊的檢索令牌[RET]，暫停文本生成以檢索相關(guān)參考文獻，并將其內(nèi)容融入后續(xù)步驟中。檢索令牌的表示通過對比學(xué)習(xí)進行優(yōu)化，以便實現(xiàn)高效的相似性搜索。ScholarCopilot還支持在迭代過程中由用戶進行可選的優(yōu)化，在不增加額外成本的情況下，提升引用準確性和內(nèi)容連貫性。
數(shù)據(jù)集管理
本研究構(gòu)建了一個大規(guī)模數(shù)據(jù)集，包含50萬篇arXiv上的計算機科學(xué)論文，其中1000萬條引用來自arXiv，680萬條來自語義學(xué)者（論文可能會被多次引用）。數(shù)據(jù)集的創(chuàng)建涵蓋五個階段：1）論文收集；2）結(jié)構(gòu)解析；3）引文提取；4）參考文獻匹配；5）數(shù)據(jù)集整合。每篇論文平均有38次引用，其中87%能夠成功匹配到學(xué)術(shù)數(shù)據(jù)庫。
訓(xùn)練方法
ScholarCopilot通過兩個目標對文本生成和引文檢索進行聯(lián)合優(yōu)化：一是用于文本生成的下一個令牌預(yù)測，二是用于引文檢索的對比學(xué)習(xí)。在文本生成方面，它采用標準的自回歸語言建模方法，基于前文的令牌和檢索到的內(nèi)容最大化當前令牌出現(xiàn)的概率。在引文檢索方面，它運用對比學(xué)習(xí)優(yōu)化檢索令牌的表示，增大這些令牌與相關(guān)引文之間的相似性，同時降低與無關(guān)引文的相似性。正例引用來自真實論文，而負例則通過批量采樣獲取。系統(tǒng)通過最小化一個組合損失函數(shù)（）來進行訓(xùn)練。
生成質(zhì)量評估
本研究對不同基線模型的生成質(zhì)量進行了比較。主要發(fā)現(xiàn)如下：（1）ScholarCopilot的評分為16.21/25 ，超越了參數(shù)規(guī)模為其10倍的模型；（2）在相關(guān)性（3.63）和連貫性（3.66）方面表現(xiàn)尤為突出，可與720億參數(shù)規(guī)模的模型相媲美；（3）通過本研究統(tǒng)一的生成和引用方法，顯著提升了學(xué)術(shù)嚴謹性（2.87對比2.26 ）。
引文準確性評估
在此，本研究對不同方法的引文檢索性能進行了比較。ScholarCopilot顯著優(yōu)于E5-Mistral-7B-Instruct和BM25等基線模型，其top-1召回率達到40.1%，recall@10達到64.8% 。
用戶研究
為評估ScholarCopilot的實際應(yīng)用價值，本研究開展了一項用戶研究，邀請了10位學(xué)術(shù)人員參與（5名博士、4名碩士、1名本科生），他們的平均寫作經(jīng)驗為4.2年。參與者使用本研究的系統(tǒng)撰寫學(xué)術(shù)內(nèi)容，并從多個維度進行評分。ScholarCopilot在引用準確性（4.6/5）、界面清晰度（4.5/5）和寫作風(fēng)格（4.5/5）方面獲得了最高分，引用質(zhì)量指標的平均分為4.3/5。用戶體驗的平均分為3.9/5，由于采用單GPU部署，響應(yīng)時間得分最低（3.3/5）。內(nèi)容質(zhì)量指標方面，寫作風(fēng)格（4.5/5）和事實準確性（4.3/5）表現(xiàn)出色，而創(chuàng)新性得分最低（2.5/5），這表明該系統(tǒng)擅長生成學(xué)術(shù)規(guī)范的內(nèi)容，但在提出新穎觀點方面稍顯不足。
本文轉(zhuǎn)載自??柏企閱文???，作者：柏企
