本文介绍了一种新型文本摘要模型，结合抽取与生成方法，通过分层编码器和注意力机制显著提升摘要质量。研究表明，该模型在多个数据集上表现优异，能够生成信息丰富且可读性强的摘要。

该文提出了一种数据驱动的方法来学习连续源的渐进编码，使用递归神经网络来学习分层编码器和解码器，并通过最小化渐进 Wyner-Ziv 编码问题的速率 - 失真函数上的变分界来训练模型。该方法能够明确检索与可伸缩嵌套量化类似的分层分组解决方案，并且速率 - 失真性能与整体 Wyner-Ziv 编码方法相当。