abstract（摘要/抽象推理）在 AI 领域主要有两层含义：一是指论文的摘要部分，常被用作大模型文献检索与筛选的输入单元；二是指抽象推理能力本身，即模型在没有具体实例的情况下进行泛化推断的能力，被视为衡量语言模型智能上限的关键指标之一。近期多项研究聚焦于这两个方向，既有工程层面的提示词对比，也有针对小模型抽象推理的系统评测。
abstract 相关研究近期进展
当前焦点与观察点
围绕 abstract 的讨论，核心争议在于信息压缩的代价：摘要能大幅降低模型处理的成本，但也丢失了可能影响判断的细节。上述环境科学的对比研究提示，提示词层面选择 abstract 还是全文，会实质改变模型输出的错误类型，这对依赖 LLM 做文献综述的科研工作流是直接的提醒。
另一个观察点是抽象推理与小模型的匹配度。随着端侧和低成本模型普及，小模型能否胜任需要抽象泛化的任务，正成为评测热点。此外，Karpathy 提出的认知分层也说明，关于 AI 能力的讨论本身也依赖信息的抽象与传递，多数人对模型真实边界的了解仍相当有限。后续值得关注的，是摘要级输入与全文级输入在检索系统中的混合使用，以及抽象推理基准是否会被纳入主流模型评测。