本研究探讨文档特征对自动摘要性能的影响，提出了新方法PreSumm以预测摘要质量。结果表明，文档的一致性和特性对摘要效果至关重要，有助于提高摘要效率和数据集质量。

本研究分析了多文档摘要模型在跨领域应用中的失败问题，评估了不同训练方法的模型表现，揭示了域转移失败的原因，并质疑了流行摘要指标的适用性。结果表明，模型在处理与训练领域不同的文档时，真实性、目标偏差和摘要质量显著下降。

本研究探讨了大型语言模型在可控摘要中的不足，尤其是在处理数值属性时的挑战。提出的引导解释框架（GTE）有效帮助模型识别和解释错误，从而提升摘要质量。

该研究通过利用模型生成的反馈提升摘要质量，解决了大型语言模型在生成摘要时的虚构信息、遗漏关键信息和冗长问题。开发的FeedSum数据集显示，小型模型经过适当训练可以生成优于大型模型的人类偏好摘要，具有重要应用价值。

本文介绍了一种处理在线评论信息过载的新方法，开发了长篇评论数据集和两种无需训练的总结方法。研究显示，尽管在情感和格式上有挑战，开源模型在信息提取方面表现良好，能提高摘要质量。