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”。

基于这一思路，团队研发了COMI（Coarse-to-fine Multi-Interest Optimization）框架，采用粗到细的两层筛选机制：首先从长文本中快速圈定与查询相关的信息片段，再通过精细化的语义比对，剔除其中内容重复、语义雷同的冗余部分，确保每一个保留的token都能为模型提供独特的有效信息。

实验数据验证了这一思路的有效性：COMI框架在32倍压缩率下，相比现有最优压缩方法，性能反超25个百分点，彻底打破了“高压缩率必然伴随性能暴跌”的行业固有认知。

此次COMI框架入选ICLR 2026，不仅代表其在学术层面的创新性获得认可，更具备广阔的产业落地前景。

对于依赖长文档处理的场景——比如企业内部知识库问答、法律文书智能解析、长对话式客服系统等，COMI框架能在大幅降低上下文窗口占用、削减模型推理成本的同时，保障输出结果的准确性与可靠性。此外，该框架的“相关性+多样性”双优化思路，也为多模态内容压缩提供了新的借鉴方向，未来有望扩展至长视频、多模态混合文档的高效处理场景。