高质量的长文本压缩，需要同时兼顾“信息与查询的相关性”和“信息单元间的多样性”

32倍压缩率下性能反超25%，阿里COMI破解长文本压缩难题登ICLR2026

阿里巴巴未来生活实验室研发的COMI长文本压缩框架在ICLR 2026上正式亮相，成功破解高压缩率下性能断崖下跌的行业难题。该框架在32倍压缩率下，相比现有主流方法性能反超25个百分点，核心创新在于跳出仅关注“相关性”的传统思路，同时优化信息的“相关性”与“多样性”，避免冗余相似信息干扰模型决策。

当大模型处理32K长度的学术论文、合同文书等长文本时，若要将其压缩至1K规模以提升推理效率，现有压缩方法往往遭遇“翻车”：模型不仅无法精准响应查询，甚至会生成完全错误的结果。这一困扰AI行业已久的长文本压缩痛点，如今被阿里巴巴未来生活实验室的研究团队彻底破解，相关成果已入选顶级学术会议ICLR 2026。

当前主流的长文本上下文压缩方法，普遍将“与查询的相关性”作为信息筛选的唯一核心指标。但在高压缩率场景下——比如将32K长文本压缩至1K，这种思路会陷入“信息内卷”的陷阱：系统会密集保留大量语义高度相似的冗余token，看似覆盖了与查询相关的内容，实则这些重复信息无法叠加有效价值，反而会相互干扰，让大模型在冗余信息中迷失方向，最终导致性能断崖式下跌。

阿里巴巴未来生活实验室的研究团队通过分析发现，问题的根源在于传统压缩目标的根本错位。为此，他们提出了颠覆性的优化思路：高质量的长文本压缩，需要同时兼顾“信息与查询的相关性”和“信息单元间的多样性”。