新框架CAMS以原子事实锚定摘要句子，使多文档摘要可逐句溯源
arXiv预印本论文提出CAMS框架，先抽取带来源的原子声明再改写摘要，使每句话都锚定到源文本片段。在MultiNews等基准上，多来源归因准确率提高约三分之二。
AI解读：大型语言模型生成的多文档摘要很流畅，但容易编造内容，而且即便给出引用，也常常是笼统指到整篇文档，让人难以逐句核实。CAMS框架的核心思路是把“归因”从事后补救变成构建流程的一部分：它先把每篇源文档拆成带具体出处的最小事实声明，跨文档合并相同声明并标出冲突，再做筛选和改写，最终让摘要中每个句子都指向经过核对、能回溯到原文片段的声明。论文报告，在与强基线相当的摘要质量下，CAMS把多来源归因准确率提高了约三分之二。局限在于，论文依据的是arXiv摘要，尚未给出完整评测细节，且作者明确说明该方法只是“鼓励”而非保证事实准确性。对需要追溯信息源的研究者、法律或医疗领域的内容审核者来说，这个框架意味着可以更快定位每个陈述对应的原文；对普通读者，在没有产品化之前不必采取行动。
arXiv预印本论文（编号2606.23989，2026年6月22日提交，9月3日更新第三版）提出一个名为CAMS的多文档摘要框架。作者Shuo Guan在摘要中报告，该方法将摘要生成的中间表示重新定义为归因单位，使每个句子都能锚定到经过支持性检查的声明，并回溯到源文档的具体片段。
CAMS的四步流水线
根据论文摘要，CAMS采用模块化的“抽取—选择—改写”范式，流程分四步：先从每篇源文档抽取带token级来源的原子声明；跨文档聚类等价声明并标记来源间冲突；选择有依据且重要的声明子集；最后将选中的声明改写成摘要，使每个句子都锚定到一个经过支持性检查的声明上。
作者称，由于内容在生成前已定位到具体来源，该流水线在结构上保留细粒度、多来源的可追溯性，同时通过基于支持的筛选、约束改写和验证来鼓励事实忠实度。摘要明确说这只是“鼓励而非保证”。
评测结果与限制
论文在MultiNews上评测质量、忠实度和本地化能力，在DiverseSumm上分析冲突处理，并在WCEP上测试零样本迁移。评测采用双协议：将无参考引文质量与金标准对齐的本地化精度分开衡量，并增加一个与评测器解耦的审计，用从未参与选择或验证的支持模型测试引文精度。作者在摘要中报告，CAMS在摘要质量上与强端到端和跨度归因基线持平，同时显著提升忠实度和引文精度，将多来源归因精度提高约三分之二，并展示了一个可控的忠实度—覆盖率权衡。
依据目前可获得的摘要，完整评测数值、与具体基线的比较细节以及CAMS在不同数据集上的表现尚未披露。