2026年8月18日，论文《Retrieved-Span Training for Efficient Query-Focused Meeting Summarization on QMSum》（面向 QMSum 的检索片段训练：高效查询聚焦会议摘要）以编号 arXiv:2609.25028v1 提交至 arXiv，归类于计算与语言（cs.CL）。作者为 Ertas AI 的 Edward Xi Yang，全文共24页、含4幅图，提交时间为协调世界时2026年8月18日04:26:31，文件大小181 KB，DOI 为 10.48550/arXiv.2609.25028。
论文首先指出了一个评测层面的结构性问题：QMSum 基准本身没有提供官方评分器（scorer），这导致面向查询的会议摘要任务上，不同系统的结果彼此难以直接比较，缺乏统一的对照口径。为绕开这一障碍，作者在同一套实现下重新评分或重新生成了15个系统的输出，从而建立可横向对照的实验基础。
在统一推理接口（common inference port）下，作者发现了一个显著的性能塌陷：一个已发布的406M参数 Fusion-in-Decoder（FiD）专用模型，当输入从有长度上限的长文本切换到2,000词的检索片段（retrieved spans）时，ROUGE-1 下降6.30。也就是说，输入组织方式的改变本身就会让该专用模型损失大量分数。作者随后在同一片段输入范式（span regime）上对该模型进行微调，结果显示这一损失可以被完全恢复。
在测试集上，该406M模型取得36.33 ROUGE-1，而作者自研的1.2B系统为35.41。两者差值的会议簇（meeting-cluster）95%置信区间为 [-0.27, +2.22]，区间跨越零点，因此在 QMSum 上并不能在统计意义上区分这两个系统。与此同时，较小的系统在总参数量上仅为对照系统的大约三分之一，峰值推理内存不到对方的一半，体现出明显的效率优势。
论文还给出了两组消融式量化结论。第一，在固定的1.2B基座模型内部，采用片段输入范式进行微调可带来5.29的提升，置信区间为 [+4.02, +6.56]。第二，将转录文本前4,500词替换为2,000个检索词，在测试集上带来1.55的提升，在验证集上带来0.29的提升，说明检索片段的取舍本身对结果有正向但幅度不一的贡献。
论文另有一组对比实验：在单一简洁提示（one concise prompt）与基于参考重叠的评分器（reference-overlap scorer）设定下，上述已发布的406M专用模型至少以6.2 ROUGE-1 的优势超过五个专有托管模型（proprietary hosted models）。不过作者明确指出，该排序受到两点限制：一是输出长度的影响未被排除，二是缺乏人工评测与事实性（factuality）评测，因此这一排名不能被过度解读。
作者的结论边界也写得相当克制：所有结论仅限 QMSum 数据集与自动评测指标（automatic metrics）之内，不应无差别外推到其他会议摘要数据、其他任务形态或人工质量判断上。论文的注释信息重申了24页、4图的篇幅，并提供了PDF、实验性HTML与TeX源码等获取方式。