本文提出了一种“相互强化数据合成”（MRDS）方法，旨在解决对话摘要对外部知识的依赖问题。研究表明，MRDS显著提高了少量样本的对话摘要质量，并在真实数据集上取得了改善。

对话摘要任务在处理自然对话变化时遇到挑战，如重复和犹豫。研究使用数据集模拟真实变化，分析这些变化对模型的影响。结果显示，输入变化特别是对话级扰动影响模型性能。人工评估验证了这些发现。尝试用部分扰动数据提高模型鲁棒性，但效果有限，需进一步研究。研究强调了对话摘要中的鲁棒性挑战，为未来研究提供方向。

本研究通过ORCHID语料库解决了中文立场检测和对话摘要任务的数据集缺乏问题。该语料库包含1218场辩论及标注数据，展示了其挑战性，并揭示了立场检测与摘要整合的潜力。

研究者发现大多数语言模型生成的对话摘要中有27%的事实不一致。对于更具挑战性的事实问题回答，所有模型的平均准确率仅为62.8%。研究还发现，对话的主题/客体的理解是语言模型对话理解能力中最困难的问题。研究者提出了一种通过自动构建多任务数据进行微调的方法，实验结果显示准确率提升了8.9%。

研究者发现，大多数语言模型生成的对话摘要中有27%的事实不一致。对于更具挑战性的事实问题回答，所有模型的平均准确率仅为62.8%。研究还发现，对话的主题/客体的理解是语言模型对话理解能力中最困难的问题。通过自动构建多任务数据进行微调，可以提高模型的对话理解能力。在DIAC-FactQA上，该方法获得了8.9%的准确率提升。