面向生物医学命名实体识别的轻量级大语言模型分析：基于多样化输出格式
计算与语言
2026-04-30 v1 人工智能
摘要
尽管大语言模型(LLM)具有很强的语言能力，但其计算需求量大且需要大量资源进行微调，这不适合许多医疗保健场景的隐私与预算限制。为解决此问题，我们提出了一项专注于使用轻量级 LLM 进行生物医学命名实体识别的实验分析，我们评估了不同输出格式对模型性能的影响。结果表明，与更大的模型相比，轻量级 LLM 能够实现具有竞争力的性能，凸显了其作为生物医学信息提取的轻量级且有效的替代方案的潜力。我们的分析表明，在许多不同格式上进行指令微调并不能提升性能，但确定了几种始终与更好性能相关的格式。
引用
@article{arxiv.2604.25920,
title = {Analysing Lightweight Large Language Models for Biomedical Named Entity Recognition on Diverse Ouput Formats},
author = {Pierre Epron and Adrien Coulet and Mehwish Alam},
journal= {arXiv preprint arXiv:2604.25920},
year = {2026}
}
备注
LREC 2026 - Language Resources and Evaluation Conference, May 2026, Palma De Majorque, Spain