近期在文本自编码器领域的进展显著提升了潜在空间的质量，这使得模型能够从聚合的潜在向量中生成语法正确且连贯的文本。作为这一特性的成功应用之一，无监督观点摘要模型通过解码输入的聚合潜在向量来生成摘要。具体而言，它们通过简单的平均方法进行聚合。然而，关于向量聚合步骤如何影响生成质量的研究较少。在本研究中，我们重新审视了常用的简单平均方法，通过检查潜在空间和生成的摘要来探讨其影响。我们发现，由于聚合后的潜在向量中出现了意外的$L_2$L2​范数收缩（我们称之为摘要向量退化），文本自编码器倾向于从简单平均的潜在向量中生成过于泛化的摘要。为了解决这一问题，我们开发了一个框架Coop，该框架利用输入输出词汇重叠来搜索用于潜在向量聚合的输入组合。实验结果表明，Coop成功缓解了摘要向量退化的问题，并在两个观点摘要基准测试中取得了新的最先进性能。代码可在\url{https://github.com/megagonlabs/coop}获取。