GoLLIE：标注指南提升零样本信息抽取

大型语言模型（LLMs）结合指令调优在泛化到未见过的任务方面取得了显著进展。然而，它们在信息抽取（IE）领域的表现却不如专门针对特定任务的模型，存在一定的滞后。通常，信息抽取任务的特点是具有复杂的注释指南，这些指南不仅描述了任务本身，还为人类提供了示例。以往尝试利用此类信息的努力即使在最大的模型上也未能成功，因为这些模型无法直接遵循指南。本文提出了一种名为GoLLIE（遵循指南的大型语言模型用于信息抽取）的方法，该方法通过微调以遵守注释指南，从而提高了对未见过的信息抽取任务的零样本性能。全面评估实验证明，GoLLIE能够泛化并遵循未见过的指南，在零样本信息抽取方面优于之前的尝试。消融研究显示，详细的指南对于取得良好结果至关重要。