在长文本生成场景中，如何让大模型准确引用来源，一直是工业界落地时最常被追问的能力点。最近，清华大学团队开源了一套名为 LongCite 的方案，包含评测基准、45k 监督微调数据集、两个开源模型，以及一套完整的数据生成流程。整体来看，思路清晰、效果扎实，值得深入分析。
项目最值得关注的部分，其实是数据生成的 pipeline——如下图所示，分为三步加一步过滤。为什么没有一步到位？团队的解释是：分步走能让数据更干净——先获取答案，再为答案配上引用，这样引用和回答不会相互污染。
- QA 数据生成：让大模型基于给定的长篇文本，自动构建相关的问题与答案。
- 块级引用生成：对文本进行分块，为每个块打上引用标记，然后结合问题和答案，生成带有引用标注的 chunk 级 QA 数据。
- 句子级引用提取：从每个 chunk 的引用中，进一步抽取出支撑每个具体陈述的句子，形成更细粒度的引用。
- 过滤：剔除那些引用数量不足的样本，确保数据质量。
从数据分布上看，中文占比更高——这对国内私有化部署场景而言，恰好是个利好。整体效果相比基线有明显提升，尤其在需要精准引用的长文本任务上，表现稳健可靠。