摘要
大型语言模型在信息提取领域潜力巨大,但现有基于反思的校正方法与结构化输出往往不对齐。自由形式的自我反思虽能标记错误,却难以识别具体失效类型(如跨度缺失、标签错误等)。本文提出 LA-RL,一种结果监督框架,利用任务特定的诊断标签指导信息提取的自我修正。该方法先预测提取结果,诊断错误标签,再据此修订输出。训练包含冷启动监督微调及两个 GRPO 阶段,奖励最终质量与格式有效性。实验表明,该方法在多个任务上显著优于传统微调,且反思结构对任务敏感。
AI 推荐理由
论文核心提出基于标签感知的自我反思机制,通过强化学习实现模型自我修正与进化。
研究机构
1Hefei University of Technology, Hefei, China
2Chongqing Jiaotong University, Chongqing, China
论文信息