人工智能在总结长篇文档时易产生错误信息，即所谓的“幻觉”，这降低了处理效率。为应对此挑战，美国纽约大学的研究人员开发了一种基于鸟群行为的算法框架，作为大型语言模型（LLMs）的预处理步骤，旨在提高文档摘要的可靠性。

该研究由纽约大学库朗数学、计算和数据科学学院的Anasse Bari教授和研究员Binxu Huang共同完成。他们分析了AI代理在总结长文档时出错的原因，Bari解释道：“当输入文本过长、嘈杂或重复时，模型性能会下降，导致关键信息丢失或偏离源材料。”因此，他们借鉴鸟群行为，将文档句子视为虚拟鸟，通过分组和筛选减少冗余，保留关键点，从而生成更简洁的输入供LLMs处理。

该框架工作分为两个阶段：首先，清理句子并评分，基于词汇、语义和主题特征；其次，应用鸟群行为规则，将相似句子聚类，从每个群中选择最高分句子，确保摘要覆盖多样主题。研究人员在超过9,000个文档上测试，结果显示，结合该框架的LLMs能产生更高事实准确性的摘要。Bari强调：“我们开发了一个实验框架作为预处理步骤，而不是LLMs的竞争对手，它识别重要句子并去除噪音。”但他也指出，该方法尚未完全解决幻觉问题，只是部分改进。

出版详情：作者：New York University；标题：《What flocking birds can teach AI about reducing noise》；发表于：《Frontiers in Artificial Intelligence》(2026)。