主要观点：介绍了基于摘要的文档 ID 用于生成式检索，其文档 ID 由语言模型生成的提取式摘要或抽象式关键词组成，而非过去工作中的整数 ID 序列或 n 元语法包，通过实验发现抽象式、基于内容的 ID（ACID）和基于前 30 个标记的 ID 在与先前创建 ID 的方法直接比较中非常有效，使用 ACID 能分别在 MSMARCO 100k 检索任务和基于维基百科的 NQ 100k 检索任务中使 top-10 和 top-20 召回率提高 15.6%和 14.4%、9.8%和 9.9%，证明了通过摘要创建的人类可读、自然语言 ID 对生成式检索的有效性，且观察到在 NQ 中的维基百科文章上提取式 ID 优于抽象式 ID，但在 MSMARCO 的片段中并非如此，表明文档特征会影响生成式检索性能。
关键信息：生成式检索的流行方法，介绍基于摘要的文档 ID，不同版本的提交时间及大小，相关实验结果及在不同任务中的表现，将在 NLP for Wikipedia Workshop in EMNLP 2024 发表，涉及计算与语言（cs.CL）和信息检索（cs.IR）领域，可通过特定链接查看 PDF 和 HTML 版本，有相应的引用信息等。
重要细节：如具体提到在 MSMARCO 任务中基于 ACID 的召回率提升数据，在维基百科相关任务中的表现差异等细节内容。