标签
发布 CalOn，一个 0.6B 参数的校准类型化决策模型，用于实体、关系与事件抽取，速度达每秒 120 句，是 GLiNER2 的 5.5 倍，并在 40 个基准上超越基线。权重、推理与训练代码均以 Apache 2.0 开源。
本文提出 FinDialogLens，一个面向多方金融聊天室事件抽取的混合式 LLM 管道，用于还原遗漏交易；借助难度感知路由器，该方法在使用 GPT-4o 时，最终价格与交易结果的准确率分别达到 92.1% 和 94.3%，同时将 LLM 调用量削减了 85%。
EAGER是一个强化学习框架，通过细粒度可验证奖励和模式对比优势估计来改进生成式事件抽取，在七个基准数据集上的性能优于提示、微调和先前的强化学习方法。
LA-RL 提出了一种标签感知的自我反思框架，用于信息抽取中的强化学习，在命名实体识别、关系抽取和事件抽取任务上取得了持续改进，在分布外基准上 F1 提升高达 20。
本文提出一个基于大语言模型（LLM）的两阶段系统，利用包含119种事件类型的三层分类法，从SEC 8-K文件中提取可溯事件标签，并具备约束与可审计机制。该系统在近30万份文件上进行了评估，在高质标签上展现出高精确度，并支持区分经济意义上不同事件的事件研究。