ner

RuleChef 是一个框架，利用大型语言模型（LLM）为自然语言处理任务（如文本分类、命名实体识别或关系抽取）生成人类可编辑、可执行的规则。它基于任务描述和一组标注示例生成规则，然后根据更多示例和人类对现有规则的反馈进行迭代改进。RuleChef 还可以通过观察任何现有模型在给定任务上的输入-输出对来引导规则生成。LLM 仅在训练阶段使用，合成规则并根据在留出集上测量的失败进行迭代修补。这个过程最终产生一个快速、确定且可审查的规则系统。初步评估在分类和命名实体识别任务上进行。我们将 RuleChef 作为开源软件发布，采用 Apache 2.0 许可。

本文刻画了保形风险控制何时能为结构化LLM输出提供认证，证明了不可能性界限，并分析了不同界限下的认证层次。在六个开放权重模型上的实证验证表明，困难配置在低风险水平下无法被认证，但在放宽目标下可实现实际认证。

本文介绍了BERTomelo，一种基于ModernBERT架构预训练的下一代单语编码器，专为葡萄牙语优化。在STS和NER等下游任务中，其性能优于以往的葡萄牙语模型和多语言模型。

BCL是首个采用带有贝叶斯更新的粒子滤波来系统优化信息抽取任务中标签表示的框架，相较于现有方法展现出持续一致的改进。

GLiNER-Relex 是一个用于联合命名实体识别（NER）与关系提取（RE）的统一框架，利用共享的 Transformer 编码器实现零样本能力。该论文展示了模型在标准基准测试中具有竞争力的性能，并将其作为开源 Python 包发布。