最小风险训练（MRT）是一种直接在序列层面优化评价指标的训练方法，克服了仅基于词级最大似然的局限（Shen et al., 2016）。近年来，Yang et al.（2024）和Jinnai et al.（2025）重新证明了风险优化在大模型中的潜力。本文将MRT应用于全国停电数据计划（ODIN）的停电报告生成任务。原始报告格式多样，需统一为符合CIM IEC 61968‑3 标准的 XML。我们在 Qwen2.5‑7B‑Instruct 上加入MRT后，整体准确率从 16.20% 提升至 68.95%，验证了序列级优化对结构化文本生成的有效性。实验流程包括：①使用标准交叉熵预训练模型；②基于BLEU/ROUGE等序列指标计算风险；③通过梯度下降最小化期望风险。结果显示，MRT显著提升了模型对XML标签的正确生成和业务关键字段的覆盖率。
点评：MRT 在特定领域结构化生成中展现出强大优势，值得在更多小模型场景推广。