标签
ReCoPII 是一个以关系为基础的框架，用于在不依赖基于作者的假设的情况下构建上下文相关的个人身份信息（PII）掩码数据集，并生成带有 MASK/KEEP 标注的韩语语料库 ReCoPII-Ko，其与人工判断的一致率显著优于 SPY 式数据增强（88.42% 对比 26.27%）。
SLICE-Mem 提出一种轻量级大语言模型智能体长期记忆框架，通过显著性引导的记忆准入与基于谓词的语义抽取，实现无需调用大语言模型的在线记忆构建，在保持接近 MemOS 基线精度的同时，将词元消耗降低 92.4%–99.5%。
本文提出了一种用于关系三元组抽取的多粒度交互网络，联合利用词与词、实体与关系以及头实体与尾实体之间的交互，以更好地处理未见过的实体。在Unseen指标下，该方法在NYT-R和WebNLG-R数据集上分别取得了3.1%和20.5%的F1提升。
中国电信发布 Xing4.0-29B Intent，一个基于 MoE 架构的 29B/4B 专业化模型，面向意图理解与结构化信息抽取，支持意图分类、命名实体识别、关系抽取与事件抽取四项任务，采用 Apache 2.0 开源许可。
论文提出了一种混合生成-标注解码架构，将源文本跨度标注与开放生成相结合，用于电商产品的属性-值抽取。该方法在 vLLM 推理中将属性覆盖率提升 10%、正确属性-值对提取量增加 63%，同时延迟降低 44% 且不损失精确率。
ReviewPilot 是一个对话式多智能体系统，可自动执行从论文筛选到信息提取的 PRISMA 系统综述工作流程，利用项目记忆保留配置，并提供有来源依据的决策。在三种大语言模型的评估中，其表现优于单提示词大语言模型和 AgentSLR 基线，筛选宏平均 F1 最高达到 0.776，信息提取 F1 最高达到 0.788，案例研究表明其可迁移至生物医学和人机交互领域。
CLUE提出了一种对比学习框架，用于无监督的事件类型归纳、命名与标注，通过联合嵌入表示捕捉动词语义与多义性，并用对比损失引导的聚类替代人工事件本体构建。
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。
本文系统评估了LLM在时间与事件表达抽取任务中跨四个维度——领域偏移、对抗性扰动、组合性以及长度增加——的泛化表现。研究发现，归纳式提示（inductive prompting）的泛化最为一致，而来自规模、架构以及其他提示策略的收益则并不均衡，且具有明显的维度特异性。
一项自主实验将六模型1-2B本地智能体集群（借鉴1930年代苏联设计院按学科划分的组织架构）与单模型在文档抽取任务上对比，发现真正的收益来自将输入切分成块，而非智能体协作（集群仅贡献+0.05，严格意义上的涌现为零）。
一位从业者介绍了他将 LLM 的文档抽取标注（实体、动作、数值）蒸馏到两个 287M 参数编码器中的流程——一个 GLiNER 风格的片段标注器，外加一个用于实体消歧的选择题模型——以处理约 500 万份法院判决书，并请人反馈为什么效果不及教师模型。
研究人员提出了一种结合深度学习与图像预处理技术的OCR模型，用于自动提取韩文发票中的关键信息，在自建数据集上达到了87%的F1分数，且处理耗时极低。
本文评估了使用大型语言模型作为AI受访者，从政策文件生成结构化调查响应的方法，展示了在结构化指标上的高度一致性，以及在政策监测中混合人机工作流程的潜力。
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。
本文提出WaterBERT，一种用于水处理文献挖掘的领域自适应BERT模型，增强语义表示并实现大规模结构化信息提取和知识图谱构建。
Schematize 是一个开源的多代理系统，交互式地生成和优化法律研究的信息提取模式，在人类评估中取得顶尖性能。
GLiNER2.5 是一个多语言边界检查点，用于统一的基于模式的信息提取，支持实体、分类、结构化记录、关系和跨度属性在一个模型中。
本文提出Self-Meta-Evolve层次化框架，可针对企业信息抽取任务为每个用户定制提示词，通过交互反馈持续优化来提升抽取性能。
该论文介绍了一个使用大型语言模型从强制迁移和FCV文档中提取数据集引用的弱监督框架，在有限标注数据下实现了高精度。
CMNIE 是一个针对中文军事新闻的新型信息抽取基准，它联合标注事件、实体和关系，以评估模型在模式遵循和精确跨度匹配方面的表现。