轻量微调让中型开源大模型在文档级事件论元提取中超越GPT基线

事件论元提取（EAE）作为信息抽取的关键任务，旨在将非结构化文档转化为结构化事件记录，识别论元边界并分配预定义的角色。文档级EAE面临三大挑战：触发词与论元间的长距离依赖、跨句子上下文理解以及严格的模式约束，传统方法常出现边界错误、角色不确定性和模式不一致等问题。

来自学术机构的研究团队在arXiv发表最新成果，探索中型开源大语言模型在文档级模式约束EAE任务中的潜力。该方法创新性地融合三项技术：在提示中注入角色集确保模式合规性；采用参数高效的监督微调（LoRA）技术，保持训练与推理时统一的JSON接口；设计确定性解码与后处理流程，验证JSON格式、过滤无效角色、去重论元并对齐文档窗口。

在标准MAVEN-ARG评估体系下，经过微调的中型开源模型在提及、实体共指和事件共指三个评估维度上全面超越此前报告的GPT基线。表现最佳的Phi-4模型（140亿参数）在事件共指层面达到42.39%的F1值，标志着开源模型在该复杂任务上的重大突破。研究团队已公开实验代码，为后续研究提供可复现的基准。