相比起SimpleCLS，这一篇其实就是把评估模型换成了生成模型，而不是Roberta

    方案：
    用BART-CNN产生一堆candidate
    然后要求

    1. 生成Loss
    2. candidate 分数为1-beta
    3. golden分数为beta
    4. 用ROUGE 弄一个ranking Loss

    第一部分就是普通的Loss
    第二三部分是类似于Labeling Smoothing
    第三部分就是对比学习，要求高质量摘要分数高
    image.png

    分析部分

    1. candidate多了更好，100的时候最好
    2. 用这种方法训练的BART-MUL喜欢大beam-size，普通的BART是4
    3. base版本用BARTCNN一开始生成好的，后面换成BART-InLoop还能涨一点
    4. 优化的ranking指标也可以是别的，比如Bertscore
    5. 模型估计自己生成的时候会过于自信，但BART-MUL评估pegasus的生成也不错
    6. 可以在few-shot上面用
    7. case study表明可以过滤一些噪音pattern