小型語言模型在多目標摘要管線中的最佳化研究: 品質、效率、碳排約束下的設計探索;Small Models， Smarter Pipelines: Multi-Objective Optimization of SLM Summarization Systems under Quality， Efficiency， and Carbon Constraints

NCU Institutional Repository > 資訊電機學院 > 資訊工程研究所 > 博碩士論文 > Item 987654321/111461

請使用永久網址來引用或連結此文件: https://ir.lib.ncu.edu.tw/handle/987654321/111461

題名:	小型語言模型在多目標摘要管線中的最佳化研究: 品質、效率、碳排約束下的設計探索;Small Models， Smarter Pipelines: Multi-Objective Optimization of SLM Summarization Systems under Quality， Efficiency， and Carbon Constraints 職場孤獨感與網路閒逛: 心理契約履行與組織承諾的序列中介作用;Workplace Loneliness and Cyberloafing: The Sequential Mediating Roles of Psychological Contract Fulfillment and Organizational Commitment
作者:	郭曜誠;YAOCHENG, KUO LIN, YI-WEN LIN, YI-WEN
貢獻者:	資訊工程學系
關鍵詞:	文本摘要;小型語言模型;多目標最佳化;碳足跡;檢索增強生成;Pareto分析;Summarization;Small language model;Multi-objective optimization;Carbon footprint;Retrieval-augmented generation;Pareto analysis
日期:	2026-07-06
上傳時間:	2026-10-20 18:02:06 (UTC+8)
出版者:	國立中央大學
摘要:	以大型語言模型（Large Language Model， LLM）為基礎的文本摘要已成為當前主流，然而既有研究多以單一品質指標為最佳化目標，鮮少關注摘要系統日益複雜後所衍生的效率與碳排成本；而以小型語言模型（Small Language Model， SLM）為核心的替代方案，在多目標限制下的表現亦缺乏系統性探討。本研究提出多目標最佳化摘要系統（Multi-Objective Optimization Summary System， MOOSS）—— 一個以 SLM 為基礎的模組化摘要平台，並建立三維度的品質–效率–碳排（Quality–Efficiency–Carbon， QEC）評估框架，配合漸進式 QEC 引導配置搜尋（Progressive QEC-Guided Configuration Search， PQCS）方法，逐階段收斂設計空間。本研究於四份基準資料集（BBC News、CNN/DailyMail、Multi-News、PubMed）上評估 700 組以上配置，涵蓋四種提示策略、兩個模型家族及四種規模、七種嵌入模型，以及多項連續參數。實驗整合出五項主要發現：第一，8B 以下的 SLM 在四份資料集中之三份接近或超越 API 模型上限（GPT5.1），API 模型僅在最簡單的 BBC News 之詞彙指標上領先，而回饋式檢索增強進一步縮小多文件摘要任務的差距。第二，回饋式檢索增強在半數以上的「模型 × 策略」格中帶來正向收益，且收益幅度隨任務複雜度與模型容量擴大。第三，系統因素之重要性具有明顯層級：提示策略與模型規模主導品質變異，而系統模式與切塊策略對品質貢獻可忽略。第四，如嵌入模型選擇等細部元件，雖對品質影響極小（七種嵌入間 ROUGE-1 差距僅 3.2%），卻造成顯著的效率與碳排差距（極端配置間能耗與碳排相差 1.27 倍、VRAM 相差 2.80 倍）。第五，連續參數調整在多數情境下為 Pareto 改善（Pareto-improving）：以最佳品質為調整目標時，效率變化 Δ?
顯示於類別:	[資訊工程研究所] 博碩士論文

文件中的檔案:

檔案	描述	大小	格式	瀏覽次數
index.html		0Kb	HTML	12	檢視/開啟

檢視Licence

在NCUIR中所有的資料項目都受到原著作權保護.

社群 sharing

資料載入中.....