本文目录导读：
这是一个非常核心的自然语言处理（NLP）概念区分。
- 抽取式是从原文中复制出已有的片段。
- 生成式是根据理解重新写出。
下面从多个角度为你详细对比。
核心对比表
| 特征 | 抽取式 （Extractive） | 生成式 （Abstractive） |
|---|---|---|
| 工作原理 | 从源文本中选择最重要的句子或短语，直接拼接。 | 理解源文本的语义，然后用新的词汇和句式进行总结或改写。 |
| 完全由原文中的词语组成。 | 可能包含原文中不存在的词语、同义词或全新的句子结构。 | |
| 忠实度 | 高严格忠于原文，不会添加或歪曲事实。 | 中到高，意图忠于原文，但可能存在“幻觉”（生成原文没有的信息），或改变细微含义。 |
| 流畅度 | 低到中，只是句子拼接，可能缺乏连贯性、逻辑跳跃、代词指代不清。 | 高，语法正确，句子通顺，逻辑连贯，更像人写的总结。 |
| 多样性 | 低，对于同一段文本，输出结果相对固定。 | 高，可以生成多种不同的、同样准确的总结。 |
| 计算资源 | 低，算法相对简单，速度较快。 | 高，需要复杂的深度学习模型（如Transformer/GPT/PaLM），训练和推理成本高。 |
| 核心风险 | 无法进行高级推理、总结或信息重组。 | 可能“幻觉”，编造事实；可能包含偏见；控制难度更高。 |
| 适用数据 | 适合事实性、关键信息明确、结构清晰的文本。 | 适合需要理解、概括、改写或创意性表达的文本。 |
更直观的例子
假设原文是：“昨天下午，清华大学的王明教授在人工智能大会上，展示了他们团队研发的最新语音识别模型，该模型在噪音环境下准确率比之前提升15%。”
-
抽取式摘要：
- “清华大学的王明教授在人工智能大会上，展示了他们团队研发的最新语音识别模型。”
- 特点：句子直接从原文复制，准确但可能不连贯（比如只取第一句就丢失了关键性能指标）。
-
生成式摘要：
- “清华王明教授展示的AI语音模型，在噪音下识别准确率提高了15%。”
- 特点：将两句话信息压缩、重组，使用了“AI”、“提高了”等新词，更简洁、流畅。
- 另一个可能的生成式摘要： “王明团队的新语音模型在AI大会上亮相，抗噪能力取得突破性进展。”
- 注意：像“突破性进展”这种概括性描述，是“抽取式”无法做到的。
风险对比：幻觉 vs 忠实
- 抽取式的风险是忠实但低效，比如抓取了一些琐碎或不重要的句子，导致摘要看起来像关键词堆砌，或者把“不是A而是B”这种否定关系直接截断，变成“是A”。
- 生成式的风险是流畅但错误（幻觉），这是最需要警惕的。
- 原文：“王明教授展示了语音识别模型。”
- 生成式幻觉：“王明教授展示了最新的图像识别模型。”（张冠李戴）
- 生成式幻觉：“王明教授在会上宣布该模型将于下月商用。”（凭空捏造）
实际应用对比
| 应用场景 | 推荐用抽取式 | 推荐用生成式 |
|---|---|---|
| 新闻摘要 | 金融快讯、法律判例、科研论文摘要 | 娱乐新闻、博客总结、个性化新闻简报 |
| 文档处理 | 法律合同关键条款提取、医疗报告结论提取 | 邮件自动回复、聊天机器人回答、创意写作辅助 |
| 问答系统 | 事实型问答（“苹果的CEO是谁？” -> 从维基百科复制） | 解释型问答（“什么是相对论？” -> 用易懂的话重新解释） |
| 对话系统 | 客服FAQ检索（直接返回标准答案） | 开放式聊天（不仅回答，还能引伸话题、表达情感） |
如何选择？
- 当需要高准确性、可追溯、信息不能出错时，选抽取式。
法律、医疗、金融等领域的文档摘要、事实核查。
- 当需要流畅、自然、易于理解、能呈现更高层次的概括时，选生成式。
面向大众的新闻摘要、智能助手、聊天机器人、创意内容生成。
- 最佳实践：很多现代应用（如ChatGPT、New Bing）实际采用混合策略（Hybrid Approach）：
- 先用抽取式方法找出最关键的句子或片段（检索）。
- 再将这些片段作为上下文,交给生成式模型去进行理解、改写和总结（生成）。
- 这样既利用抽取式的准确性来减少幻觉,又利用了生成式的流畅性来提升可读性。
