超长的上下文窗口已经成为最新一代语言模型的标配，例如GLM-4-9B-1M，Gemini 1.5等，这种模型常常被广泛应用于长文档问答场景。
然而，当前的长文本模型并没有在其回答中标注出每句话在原文中的依据，而由于文档过长，用户很难去验证模型提供的信息。此外，模型的输出也常常会出现幻觉，并不忠于原文，这严重影响了模型的可信性。
针对这一问题，通常会通过RAG或者后处理的方式，让大模型在回复中加入引用信息。这种方式在开放域问答和智能搜索引擎（例如 New Bing，Perplexity AI）中被广泛应用。
但 RAG 在长文本问答中，往往会丢失文本信息，使得模型回复的正确性下降。而后处理方式会让pipeline变得特别复杂，用户需要等待很长时间。
我们不仅要问，我们是否可以让模型具备生成回答的同时直接生成引用，同时既不丢失文本信息，又不增加处理时间？
经过深入的思考和实验，我们找到了一种方案： 用带有细粒度引用的标注数据，SFT微调模型。
效果如下：
可以看到，训练的模型 LongCite 无论在引用质量，还是回复正确性都处于较高水平。
代码： https://github.com/THUDM/LongCite
数据：
- HF：https://huggingface.co/datasets/THUDM/LongCite-45k
- 魔搭：https://modelscope.cn/datasets/AI-ModelScope/LongCite-45k
模型：
Demo ：https://huggingface.co/spaces/THUDM/LongCite
论文： https://arxiv.org/abs/2409.02897
视频： https://www.bilibili.com/video/BV1QD4zexEU2/
我们提出了LongBench-Cite 的评测方法。这个评测集包含了来自LongBench-Chat 和 LongBench的共计 1000 条长文本问答数据，涉及单文档问答、多文档问答、文档总结等常见任务。
与以往的工作不同，我们在 LongBench-Cite 中会更加注重评测细粒度的句子级引用 —— 把引用的内容定位到句子级别。
LongBench-Cite从两个维度上，由GPT-4o进行自动判断：
- 正确性：
- Correctness：回答是否正确，与标准答案契合；
- Correctness Ratio: 与普通长文本问答相比，加入引用后Correctness是否受损。
- 引用质量：
- Citation Recall: 回答中的每个事实性陈述 (statement) 是否被对应的citation所支持；
- Citation Precision：每个citation是否包含了对应的statement的信息，不是无关的；
- Citation F1: 2 * (R * P) / (R + P)，综合考虑recall和precision；
- Citation Length: 每个citation对应文本的长度(token数)。长度越短，说明粒度越细、定位越精准。
那么现有的这些长文本模型在 LongBench-Cite 上表现如何呢？我们采用 in-context learning的设定，即给一个示例的方式，进行测试。
从上图可以看出
- 开源模型citation f1很低，经常生成错误的或是不符合格式的引用；
- 闭源模型citation length普遍很高，引用粒度甚至比chunk-level citation还粗，需要进一步精准定位。例如，GPT-4o平均每个引用包含了原文中的6句话
此外，In-context learning 也使得模型长文本回答能力受损，correctness ratio (CR) 普遍小于100%。
根据我们的深入分析和实验，我们发现若想让模型本身拥有较强的细粒度的引用能力，只需要用较好的带有细粒度引用的长文本问答数据，对模型做 SFT 即可。
那么问题是，如何构造这样的数据？
我们提出了 CoF（Coarse to Fine）的方法，并利用现有长文本模型来自动构造数据。构造方法遵循两个原则：
- 原则一：充分利用现有模型的长文本能力，保证问答的质量。采用后处理的方式，先用普通的长文本问答得到答案，再往里加引用。
- 原则二：生成的citiation质量要高，粒度也要细。先生成粗粒度的chunk-level citation，再从中抽取出细粒度的sentence-level citation。
整个pipeline共分为 4步：
第一步，问题生成。使用self-instruction的方法，自问自答生成长文本问答对。
第二步，生成chunk-level citation。使用答案中的句子从原文检索出相关片段。再通过 in-context learning 的方式让大模型把原有答案分成statements并加入chunk-level citation。
第三步，抽取sentence-level citation：对于每个statement，将其对应的chunk-level citation中的句子补充完整，并将每个句子编号。再让大模型通过in-context learning从chunk中抽取出支持该statement的句子编号。最后根据句子在原文中的位置重新标号，得到最终的sentence-level citation。
第四步，数据筛选。将前几步的数据整理，得到最后的带有sentence-level citation的长文本问答数据。筛去引用过少的数据。这些数据可能没有忠于原文，包含有幻觉。
我们在 LongBench-Cite 上对 CoF 框架进行了验证，
可以看到，CoF在所有post-hoc方法中取得了最高的citation F1，粒度也较细；与one-pass方法(同时生成答案和引用)，CoF可以保证答案的正确性不下降。
通过收集GLM-4预训练语料中的长文档和CoF框架，我们构造了一个大规模的SFT数据集LongCite-45k。数据集包含了 44,600条带有句子级引用的高质量问答数据，其中最长可达128k token。
我们基于支持 128k 上下文的开源模型 GLM-4-9B和 Llama-3.1-8B，并使用 LongCite-45k 和 ShareGPT 数据集进行 SFT 微调，分别得到 LongCite-9B 和 LongCite-8B。
我们在 LongBench-Cite 评测集上对两个模型进行验证。
可以看到LongCite 模型的引用质量明显超过现有的长文本模型：Citation F1最高，且 Citation Length 相比原模型也有明显缩短，在同等F1的情况下，LongCite 模型的Citation Length 比 GPT-4o缩短了一倍还多，能够实现精准的定位。
我们在 LongBench-Chat 上的人类评估，也证明 LongCite模型的引用质量更高。
另一方面，在回答正确性上，LongCite模型也超越了 GPT-4o和Llama-3.1-70B。且相较于普通长文本 SFT 模型，带有引用信息的 SFT 模型可以进一步提高长文本问答的正确性。
从下面的示例中，可以看到，相较于普通长文本 SFT 模型，
1）LongCite模型的幻觉会更少：
2）LongCite 模型可以更均匀地利用上下文信息：
我们也进行了消融实验
LongCite模型的引用能力来源于LongCite-45k数据集而非普通的长文本SFT。CoF中的数据筛选可以显著提高引用质量。
阅读原文，直达项目仓库！