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。

本文提出了一种基于上下文学习的评审人匹配方法，解决了主题建模中的信息丢失问题，并显著提高了匹配精度。同时，研究了基于特征的引用生成方法，强调高层次引用的偏好。此外，介绍了一种上下文化摘要方法和多任务推荐系统，利用深度学习技术提取科学论文中的关键信息，展示了其在学术审稿和引用建议中的有效性。

该文综述利用检索与生成技术从网络获取信息并生成事实准确文章的研究，涵盖信息检索、事件模式提取、迭代检索-生成框架、引用生成、事实准确性评估及语言模型知识更新，并通过维基百科等数据集验证方法有效性。

本文综述大语言模型与网络增强研究，涵盖利用搜索引擎提升知识密集型任务表现、通过少量参数改进Split and Rephrase、重启预热提升下游性能、过滤网络数据训练万亿级模型、以困惑度筛选高质量数据、仅用30%数据保持性能，以及带引用文献生成任务和ReGen框架。