介绍了 Summary Explorer 工具，它通过在三个基准数据集上编译 55 种最先进的单文档摘要方法的输出，并在定性评估过程中进行视觉探索以支持文本摘要系统的手动检查。该工具考虑了三个著名的摘要质量标准（覆盖率、真实性和位置偏差），并通过定制的可视化引导评估进行了封装。该工具补充了现有的本地调试摘要模型方法，并对其进行了改进。工具可在 https URL 上获得。

Aug, 2021

通过 SummVis 工具的词汇和语义可视化，可以进行对神经网络抽象文本摘要模型的深入探索和细致分析，帮助改善评估方法和数据分析工具的局限性。

Apr, 2021

SummerTime 是一个用于文本摘要的完整工具包，包括各种模型，数据集和评估指标，可与 NLP 研究人员设计的库集成，并提供易于使用的 API，以定位和搜索自己数据中最佳模型，并可视化不同，同时提供解释以帮助用户了解模型的行为并选择最适合其需求的模型。

Aug, 2021

提供了 TL;DR Progress 工具，用于研究神经文本摘要的文献。该工具通过一个综合的注释方案，对 514 篇论文进行了组织，并实现了细粒度、多方位的检索。每篇论文都经过手工注释，捕捉了评估指标、质量维度、学习范式、解决的挑战、数据集和文档领域等方面。此外，针对每篇论文提供了简洁的提示性摘要，包括自动提取的上下文因素、问题以及提出的解决方案。该工具可在线访问，并提供了演示视频。

Feb, 2024

评估标准数据集、评估指标、模型三方面存在的问题，提出了数据集自动采集、评估不足以反映人类判断、模型样本不足多样化等三个主要问题，导致长文本摘要进展不一。

Aug, 2019

SummHelper 是一个 2 阶段的摘要化助手，旨在促进人机协作，通过内容选择和内容整合两个阶段，平衡自动化指导和个人输入的机会，并生成一份凝练有序的摘要。

Aug, 2023

本文针对现有的缺陷和问题，提出了五个维度的解决方案，从而能够扩大文本摘要的评估标准，并且进一步研究出与人类判断更加相关的评价指标。

Jul, 2020

基于大型语言模型的方法用于评估文本摘要，与人工评估相比，其结果接近，并且比常用的自动度量方法更一致。因此，我们提出了一种利用大型语言模型自动评估和改进文本摘要的框架，具有广泛的关注度。

Jun, 2024

本文提出了一个文本编辑器，使用自动文本摘要为用户提供不断更新的逐段摘要，以边缘注释的方式帮助用户规划、结构化和反思写作过程。通过两个用户研究，作者发现这个系统为用户提供了一个外部的视角来帮助他们修改段落的内容和范围，并且帮助用户快速了解文本的总体情况和开发一些集成自动摘要中得到的见解的策略。通过探究和强调设计 AI 工具以帮助写作的价值，这项工作突显了自然语言处理 (NLP) 能够超越直接的文本生成和纠正。

Aug, 2022

TrialsSummarizer 是一个基于神经多文档摘要系统的自动摘要系统，它可以检索与查询指定的条件、干预和结果匹配的随机对照试验出版物，并对这些研究进行排名。它提供了两种体系结构：基于 BART 的标准序列到序列模型和旨在为最终用户提供更大透明度的多头体系结构。但是，这些模型都存在引入不受支持语句的倾向，不适用于当前领域。所提出的架构可以帮助用户验证输出，使用户能够将生成的令牌追溯到输入。

Mar, 2023