Aspect Sentiment Triplet Extraction (ASTE) zielt darauf ab, die Sentiment-Tripel in einem gegebenen Korpus gemeinsam zu extrahieren. Bestehende Ansätze im Paradigma von Vortrainierung und Feinabstimmung neigen dazu, entweder komplexen Tagging-Schemata und Klassifikationsköpfen sorgfältig zu gestalten oder externe semantische Erweiterungen zu integrieren, um die Leistung zu verbessern. In dieser Studie bewerten wir erstmals die Redundanz in den Tagging-Schemata und die interne Verbesserung der vortrainierten Repräsentationen. Wir schlagen eine Methode vor, um vortrainierte Repräsentationen durch die Integration eines minimalistischen Tagging-Schemas und einer neuen tokenbasierten kontrastiven Lernstrategie zu verbessern und zu nutzen. Der vorgeschlagene Ansatz zeigt vergleichbare oder überlegene Leistungen im Vergleich zu den aktuellen besten Techniken, wobei er ein kompakteres Design und weniger rechnerisches Overhead aufweist. Zudem sind wir die Ersten, die formell GPT-4s Leistung bei Few-Shot-Lernen und Chain-of-Thought-Szenarien für diese Aufgabe evaluieren. Die Ergebnisse zeigen, dass das Paradigma von Vortrainierung und Feinabstimmung auch in der Ära großer Sprachmodelle hoch effektiv bleibt.