请问下你们这个方法和LLMLingua2做过对比吗

[dingjingzhen]

非常棒的工作，在这之前我有用过LLMLingua2，效果也很好，我很想知道你们这个方法和LLMLingua2有做过对比吗？从模型大小看要比LLMLingua2所用的xlm-roberta-large要大一些

[WUHU-G]

感谢您的关注，我们没有在指标上对比LLMLingua2，因为我们认为RCC和LLMLingua2是可以结合的，不是相竞争的。 LLMLingua2是通过删除冗余来缩短提示词长度，RCC是通过压缩文本的存储向量来缩短提示词长度。

LLMLingua2相比RCC潜在的缺点 当模型变大时，LLMLingua2能删除的冗余是有限的（句子的冗余部分是有上限的，这个上限和模型大小无关）， 而RCC随着模型参数的变大能够压缩的信息会变多（越大的单维向量能够保存越多信息，也就是将更长的句子压缩到一个向量中）。

LLMLingua2如何与RCC结合 如果我们在将提示词输入到RCC之前采用LLMLingua2的方法将提示词中的冗余部分删除，然后在输入给RCC，就能继续提升压缩的长度。