本文提出了一种名为SelfCite的自监督对齐方法，旨在解决大型语言模型生成引用内容不足的问题。通过上下文消融技术，SelfCite利用模型自身的奖励信号生成高质量的句子级引用。研究表明，该方法在LongBench-Cite基准测试中显著提高了引用质量，F1得分提升了5.3个百分点。

本研究提出CiteBART模型，旨在解决科研写作中的引用生成问题，特别是在引用价值判断和本地引用推荐方面。CiteBART基于引用标记掩蔽的BART预训练模型，显著提升了引用推荐效果，尤其在大型基准测试中表现优异。

本研究针对大型语言模型在引用生成中的挑战，建立了自动评估体系和双语知识库，包含32022条引用。实验结果表明，特定引用指标能有效提升生成质量，缩小模型与人类期望之间的差距。

这项研究介绍了ALCE基准，用于评估大型语言模型（LLMs）在流畅度、正确性和引用质量方面的表现。研究发现，商业模型在短任务上优于开源模型，但在长依赖任务中表现不佳。提出了细粒度奖励训练框架和Ada-LEval基准，以评估LLMs在长上下文理解中的能力，结果显示当前模型在复杂推理任务中表现欠佳。此外，推出了Citekit工具包，旨在提高引用生成的质量和准确性。

本文提出了一种细粒度奖励的训练框架，以提高大型语言模型在引用生成和回答正确性方面的表现。通过多个基准测试验证，细粒度奖励显著提升了模型性能，超越了GPT-3.5-turbo。此外，研究还介绍了ALCE评测基准和自我认可框架，以减少生成内容中的事实错误，提高模型的可信度和可验证性。