Awesome-LLM4IE-Papers
Awesome-LLM4IE-Papers 是一个专注于“利用大语言模型进行生成式信息抽取”的学术资源合集。它系统性地整理了该前沿领域的高质量论文，旨在解决研究人员在面对海量文献时难以快速定位核心成果、缺乏统一分类视角的痛点。
该资源特别适合人工智能领域的研究人员、高校师生以及算法工程师使用。无论是希望深入了解命名实体识别、关系抽取、事件抽取等具体任务，还是想探索监督微调、少样本学习、提示词设计及约束解码等关键技术路线，都能在此找到详尽的指引。此外，它还涵盖了特定领域应用、评估分析方法及相关数据集链接，为复现实验和开展新研究提供了坚实基础。
其独特亮点在于不仅提供论文列表，更依托一篇已被《Frontiers of Computer Science》接收的综述文章构建了清晰的分类体系，并保持着高频更新（如 2024 年 9 月单次新增 22 篇），确保用户能紧跟最新学术动态。社区欢迎全球学者共同贡献与反馈，是一个开放、活跃且极具参考价值的科研导航工具。
使用场景
某金融科技公司算法团队正致力于构建新一代智能合同审查系统，需要从海量非结构化法律文本中精准提取实体、关系及关键事件。
没有 Awesome-LLM4IE-Papers 时
- 文献检索如大海捞针：团队成员需在 arXiv、ACL Anthology 等多个平台分散搜索“生成式信息抽取”相关论文，耗时数周仍难以覆盖最新成果。
- 技术选型缺乏依据：面对零样本（Zero-shot）、少样本（Few-shot）或约束解码等多种技术路线，因缺乏系统性综述对比，难以判断哪种方案最适合法律垂直领域。
- 复现成本高昂：找到的论文往往缺失代码链接或数据集下载地址，导致工程师需从头复现基线模型，严重拖慢研发进度。
- 前沿动态滞后：无法及时获取 2024 年最新的研究进展（如细粒度实体识别或验证增强型 NER），导致技术方案可能起步即落后。
使用 Awesome-LLM4IE-Papers 后
- 一站式资源聚合：直接通过分类目录（如命名实体识别、事件抽取）快速定位到 2024 年 EMNLP、ACL 等顶会的 20+ 篇最新论文，调研效率提升十倍。
- 清晰的技术路线图：借助工具中按“监督微调”、“提示词设计”等技术维度的整理，团队迅速锁定了适合法律场景的“知识接地推理”方案。
- 开箱即用的工程加速：利用列表中提供的 GitHub 代码链接和专用数据集下载源，两天内即可完成基线模型搭建与验证。
- 持续同步前沿突破：通过"Recently Updated Papers"板块，实时掌握如 Double-Checker 等最新校验机制，确保系统架构始终处于行业领先地位。
Awesome-LLM4IE-Papers 将原本数月的碎片化调研工作压缩至数天，为生成式信息抽取落地提供了从理论到代码的全链路加速引擎。
运行环境要求
未说明
未说明
快速开始
令人惊叹的LLM4IE论文集
🔥🔥🔥 该文章已被《计算机科学前沿》（FCS）接收。
关于使用大语言模型进行生成式信息抽取的优秀论文
论文的组织方式在我们的综述中进行了讨论：用于生成式信息抽取的大语言模型：综述。
如果您发现任何尚未包含在我们研究中的相关学术论文，请提交更新请求。我们欢迎所有人的贡献。
如有任何建议或错误，请随时通过电子邮件告知我们：derongxu@mail.ustc.edu.cn 和 chenweicw@mail.ustc.edu.cn。我们非常感谢您的反馈，并期待您的帮助以改进我们的工作。
如果您认为我们的综述对您的研究有所帮助，请引用以下论文：
@article{xu2024large,
title={Large language models for generative information extraction: A survey},
author={Xu, Derong and Chen, Wei and Peng, Wenjun and Zhang, Chao and Xu, Tong and Zhao, Xiangyu and Wu, Xian and Zheng, Yefeng and Wang, Yang and Chen, Enhong},
journal={Frontiers of Computer Science},
volume={18},
number={6},
pages={186357},
year={2024},
publisher={Springer}
}
📒 目录
💡 新闻
- 更新日志
- 详情请参阅
./update_new_papers_list。 - 2024年9月4日 增加22篇论文
- 2024年6月6日 增加41篇论文
- 2024年3月30日 增加27篇论文
- 2024年3月29日 增加20篇论文
- 详情请参阅
信息抽取任务
按不同任务分类。
命名实体识别
仅针对NER任务的模型。
实体类型标注
| 论文 | 会议/期刊 | 发表日期 | 代码 |
|---|---|---|---|
| 用于高效且可泛化的超细粒度实体类型标注的校准序列到序列模型 | EMNLP Findings | 2023年12月 | GitHub |
| 基于课程学习的生成式实体类型标注 | EMNLP | 2022年12月 | GitHub |
实体识别与类型标注
关系抽取
仅针对关系抽取任务的模型。
关系分类
关系三元组
| 论文 | 会议/期刊 | 发表日期 | 代码 |
|---|---|---|---|
| ERA-CoT：通过实体关系分析改进思维链 | ACL | 2024 | GitHub |
| AutoRE：使用大型语言模型进行文档级关系抽取 | ACL Demos | 2024 | GitHub |
| 元上下文学习使大型语言模型成为更优秀的零样本和少样本关系抽取器 | IJCAI | 2024-04 | |
| 一致性引导的知识检索与去噪在 LLM 中用于零样本文档级关系三元组抽取 | WWW | 2024 | |
| 提升大型语言模型的召回率：一种用于关系三元组抽取的模型协作方法 | COLING | 2024 | GitHub |
| 通过表格化提示解锁指导性上下文学习以进行关系三元组抽取 | COLING | 2024 | |
| 一种简单而有效的方法来改善结构化语言模型输出以用于信息抽取 | Arxiv | 2024-02 | |
| 利用大型语言模型从科学文本中进行结构化信息抽取 | Nature Communications | 2024-02 | GitHub |
| 通过预训练语言模型进行文档级上下文少样本关系抽取 | Arxiv | 2024-02 | GitHub |
| 小型语言模型是中国语义关系抽取中大型语言模型的良好引导者 | Arxiv | 2024-02 | |
| 利用预训练语言模型进行开放信息抽取的有效数据学习 | EMNLP Findings | 2023-12 | |
| 借助大型语言模型和一致的推理环境掌握开放信息抽取任务 | Arxiv | 2023-10 | |
| 使用指令微调的语言模型进行统一的文本结构化 | Arxiv | 2023-03 | |
| 基于实体的文档级抽取作为模板生成 | EMNLP | 2021-11 | GitHub |
关系严格
| 论文 | 会议/期刊 | 日期 | 代码 |
|---|---|---|---|
| MetaIE：从大语言模型中蒸馏出适用于各类信息抽取任务的元模型 | Arxiv | 2024-03 | GitHub |
| 从大语言模型中蒸馏濒危物种命名实体识别模型 | Arxiv | 2024-03 | |
| CHisIEC：面向中国古代历史的信息抽取语料库 | COLING | 2024-03 | GitHub |
| 用于联合实体与关系抽取的自回归文本到图框架 | AAAI | 2024-03 | GitHub |
| C-ICL：面向信息抽取的对比式上下文学习 | Arxiv | 2024-02 | |
| REBEL：端到端语言生成的关系抽取 | EMNLP Findings | 2021-11 | GitHub |
事件抽取
仅针对事件抽取任务的模型。
事件检测
| 论文 | 会议/期刊 | 日期 | 代码 |
|---|---|---|---|
| 改进零样本事件检测中的事件定义顺序 | Arxiv | 2024-03 | |
| 利用大语言模型和一致推理环境掌握开放信息抽取任务 | Arxiv | 2023-10 | |
| 基于指令微调的语言模型实现统一的文本结构化 | Arxiv | 2023-03 | |
| 释放GPT-2在事件检测中的潜力 | ACL | 2021-08 |
事件论元抽取
| 论文 | 会议/期刊 | 日期 | 代码 |
|---|---|---|---|
| LLM通过演示学习任务启发式：一种启发式驱动的提示策略用于文档级事件论元抽取 | ACL | 2024 | GitHub |
| 超越单事件抽取：迈向高效的文档级多事件论元抽取 | ACL Findings | 2024 | GitHub |
| KeyEE：借助辅助关键词子提示提升低资源生成式事件抽取 | 其他 | 2024-04 | GitHub |
| MetaIE：从大语言模型中蒸馏出适用于各类信息抽取任务的元模型 | Arxiv | 2024-03 | GitHub |
| 在药物警戒事件抽取中利用ChatGPT：一项实证研究 | EACL | 2024-02 | GitHub |
| ULTRA：通过层次建模和成对精炼释放LLM在事件论元抽取中的潜力 | Arxiv | 2024-01 | |
| 基于扩散模型的生成式事件论元抽取的上下文感知提示 | CIKM | 2023-10 | |
| 面向事件论元抽取的上下文化软提示 | ACL Findings | 2023-07 | |
| AMPERE：面向生成式事件论元抽取模型的AMR感知前缀 | ACL | 2023-07 | GitHub |
| Code4Struct：用于少样本事件结构预测的代码生成 | ACL | 2023-07 | GitHub |
| 将事件抽取视为问题生成与回答 | ACL short | 2023-07 | GitHub |
| 通过提示施加全局约束以进行零样本事件论元分类 | EACL Findings | 2023-05 | |
| 用于抽取的提示？PAIE：面向事件论元抽取的提示式论元交互 | ACL | 2022-05 | GitHub |
事件检测与论元抽取
| 论文 | 会议 | 日期 | 代码 |
|---|---|---|---|
| TextEE：事件抽取的基准、重新评估、反思及未来挑战 | ACL Findings | 2024 | GitHub |
| EventRL：利用结果监督提升大语言模型的事件抽取能力 | Arxiv | 2024-02 | |
| 上下文信息抽取中的指南学习 | EMNLP | 2023-12 | |
| DemoSG：演示增强的模式引导生成用于低资源事件抽取 | EMNLP Findings | 2023-12 | GitHub |
| 大语言模型并非优秀的少样本信息抽取器，而是硬样本的良好重排序器！ | EMNLP Findings | 2023-12 | GitHub |
| DICE：基于生成模型的数据高效临床事件抽取 | ACL | 2023-07 | GitHub |
| 零样本社会政治事件抽取的蒙特卡洛语言模型流水线 | NeurIPS Workshop | 2023-10 | |
| STAR：利用大语言模型进行结构到文本的数据生成以提升低资源信息抽取能力 | AAAI | 2024-03 | |
| DEGREE：一种数据高效的生成式事件抽取模型 | NAACL | 2022-07 | GitHub |
| ClarET：为以事件为中心的生成和分类任务预训练相关性感知的上下文到事件转换器 | ACL | 2022-05 | GitHub |
| 用于生成式模板驱动事件抽取的动态前缀调优 | ACL | 2022-05 | |
| Text2event：端到端事件抽取的可控序列到结构生成 | ACL | 2021-08 | GitHub |
| 基于条件生成的文档级事件论元抽取 | NAACL | 2021-06 | GitHub |
通用信息抽取
针对多种信息抽取任务的统一模型。
基于自然语言大模型
| 论文 | 会议 | 日期 | 代码 |
|---|---|---|---|
| Diluie：利用大语言模型构建多样化的上下文学习演示以实现统一信息抽取 | 其他 | 2024-04 | GitHub |
| ChatUIE：探索使用大语言模型的聊天式统一信息抽取 | COLING | 2024 | |
| YAYI-UIE：一种聊天增强的指令微调框架用于通用信息抽取 | Arxiv | 2024-04 | |
| 集合学习用于生成式信息抽取 | EMNLP | 2023-12 | |
| GIELLM：利用相互强化效应的日语通用信息抽取大语言模型 | Arxiv | 2023-11 | |
| InstructUIE：用于统一信息抽取的多任务指令微调 | Arxiv | 2023-04 | GitHub |
| 通过与ChatGPT聊天实现零样本信息抽取 | Arxiv | 2023-02 | GitHub |
| GenIE：生成式信息抽取 | NAACL | 2022-07 | GitHub |
| DEEPSTRUCT：用于结构预测的语言模型预训练 | ACL Findings | 2022-05 | GitHub |
| 用于通用信息抽取的统一结构生成 | ACL | 2022-05 | GitHub |
| 结构预测作为增强型自然语言之间的翻译 | ICLR | 2021-01 | GitHub |
基于代码大模型
| 论文 | 会议 | 日期 | 代码 |
|---|---|---|---|
| KnowCoder：将结构化知识编码进大语言模型以实现通用信息抽取 | ACL | 2024 | GitHub |
| GoLLIE：标注指南提升零样本信息抽取能力 | ICLR | 2024 | GitHub |
| 检索增强的代码生成用于通用信息抽取 | Arxiv | 2023-11 | |
| CODEIE：大型代码生成模型是更优秀的少样本信息抽取器 | ACL | 2023-07 | GitHub |
| CodeKGC：用于生成式知识图谱构建的代码语言模型 | ACM TALLIP | 2024-03 | GitHub |
信息抽取技术
按技术分类。
有监督微调
少样本
少样本微调
| 论文 | 会议/期刊 | 发表日期 | 代码链接 |
|---|---|---|---|
| Diluie: 利用大语言模型构建多样化的上下文学习示例，用于统一的信息抽取 | 其他 | 2024-04 | GitHub |
| KeyEE: 通过辅助关键词子提示增强低资源生成式事件抽取 | 其他 | 2024-04 | GitHub |
| 元上下文学习使大语言模型成为更好的零样本和少样本关系抽取器 | IJCAI | 2024-04 | |
| 针对生物医学命名实体识别的LLM即时定义增强 | NAACL | 2024-03 | GitHub |
| DemoSG: 基于示例增强的模式引导生成方法，用于低资源事件抽取 | EMNLP Findings | 2023-12 | GitHub |
| 一个模型适用于所有领域：跨领域NER的协作式领域前缀微调 | IJCAI | 2023-09 | GitHub |
| LightNER: 基于可插拔提示的轻量级微调范式，用于低资源NER | COLING | 2022-10 | GitHub |
| 面向通用信息抽取的统一结构生成 | ACL | 2022-05 | GitHub |
| InstructionNER: 一种基于多任务指令的少样本NER生成式框架 | Arxiv | 2022-03 | |
| 基于模板的BART命名实体识别 | ACL Findings | 2021-08 | GitHub |
| 结构化预测作为增强自然语言之间的翻译 | ICLR | 2021-01 | GitHub |
上下文学习
零样本
零样本提示
跨领域学习
| 论文 | 会议 | 日期 | 代码 |
|---|---|---|---|
| KnowCoder: 将结构化知识编码到大语言模型中以实现通用信息抽取 | ACL | 2024 | GitHub |
| VerifiNER: 基于知识推理的大语言模型增强的实体识别验证方法 | ACL | 2024 | GitHub |
| 重新思考生成式命名实体识别中的负样本 | ACL Findings | 2024 | GitHub |
| IEPile: 挖掘大规模基于模式的信息抽取语料库 | ACL Short | 2024 | GitHub |
| Diluie: 利用大语言模型构建多样化的上下文学习示例，用于统一信息抽取 | 其他 | 2024年4月 | GitHub |
| 通过大语言模型的指令微调推进生物医学领域的实体识别 | 生物信息学 | 2024年3月 | GitHub |
| ChatUIE: 探索基于聊天的大语言模型进行统一信息抽取 | COLING | 2024 | |
| ULTRA: 通过层次建模和成对精炼释放大语言模型在事件论元抽取中的潜力 | Arxiv | 2024年1月 | |
| YAYI-UIE: 一种增强聊天功能的指令微调框架，用于通用信息抽取 | Arxiv | 2024年4月 | |
| GoLLIE: 注释指南提升零样本信息抽取性能 | ICLR | 2024年 | GitHub |
| UniversalNER: 从大语言模型中针对性蒸馏，用于开放式命名实体识别 | ICLR | 2024年 | GitHub |
| InstructUIE: 面向统一信息抽取的多任务指令微调 | Arxiv | 2023年4月 | GitHub |
| DEEPSTRUCT: 用于结构预测的语言模型预训练 | ACL Findings | 2022年5月 | GitHub |
| 面向零样本跨语言事件论元抽取的多语言生成式语言模型 | ACL | 2022年5月 | GitHub |
跨类型学习
| 论文 | 会议 | 日期 | 代码 |
|---|---|---|---|
| 基于条件生成的文档级事件论元抽取 | NAACL | 2021年6月 | GitHub |
数据增强
数据标注
| 论文 | 会议 | 日期 | 代码 |
|---|---|---|---|
| Astro-NER -- 天文学命名实体识别：GPT是优秀的领域专家标注者吗？ | Arxiv | 2024年5月 | |
| MetaIE: 从大语言模型中蒸馏出适用于各类信息抽取任务的元模型 | Arxiv | 2024年3月 | GitHub |
| 利用大语言模型扩充命名实体识别数据集：迈向自动化与精细化标注 | Arxiv | 2024年3月 | |
| NuNER: 基于大语言模型标注数据的实体识别编码器预训练 | Arxiv | 2024年2月 | |
| 在药物警戒事件抽取中利用ChatGPT：一项实证研究 | EACL | 2024年2月 | GitHub |
| LLM-DA: 基于大语言模型的数据增强，用于少样本命名实体识别 | Arxiv | 2024年2月 | |
| LLMaAA: 让大语言模型成为主动标注者 | EMNLP Findings | 2023年12月 | GitHub |
| 通过扩充多样化句子对改进无监督关系抽取 | EMNLP | 2023年12月 | GitHub |
| 利用大语言模型的远程监督进行文档级关系抽取的半自动数据增强 | EMNLP | 2023年12月 | GitHub |
| 如何释放大语言模型在少样本关系抽取中的力量？ | ACL Workshop | 2023年7月 | GitHub |
| 大语言模型作为导师：多语言临床实体抽取研究 | bioNLP Workshop | 2023年7月 | GitHub |
| 大语言模型的合成数据生成是否有助于临床文本挖掘？ | Arxiv | 2023年4月 | |
| 释放GPT-2在事件检测中的力量 | ACL | 2021年8月 |
知识检索
| 论文 | 会议 | 日期 | 代码 |
|---|---|---|---|
| 大语言模型作为桥梁：重构基于知识的多模态命名实体识别 | ACL Findings | 2024年 | GitHub |
| 一致性引导下的知识检索与去噪，用于大语言模型中的零样本文档级关系三元组抽取 | WWW | 2024年 | |
| 使用合成数据集学习为命名实体识别排序上下文 | EMNLP | 2023年12月 | GitHub |
| 在MNER中提示ChatGPT：借助辅助精炼知识增强多模态命名实体识别 | EMNLP Findings | 2023年12月 | GitHub |
| 针对多模态命名实体识别和多模态关系抽取的思维链提示蒸馏 | Arxiv | 2023年8月 |
逆向生成
| 论文 | 会议/期刊 | 发表日期 | 代码链接 |
|---|---|---|---|
| 从大型语言模型中蒸馏濒危物种命名实体识别模型 | Arxiv | 2024-03 | |
| [改进零样本事件检测中的事件定义] (https://arxiv.org/abs/2403.02586) | Arxiv | 2024-03 | |
| ProgGen：利用自我反思型大型语言模型逐步生成命名实体识别数据集 | ACL Findings | 2024 | GitHub |
| 把握本质：为零样本关系抽取量身定制大型语言模型 | Arxiv | 2024-02 | |
| 利用不对称性生成合成训练数据：SynthIE与信息抽取案例 | EMNLP | 2023-12 | GitHub |
| 基于实体到文本的数据增强，用于多种命名实体识别任务 | ACL Findings | 2023-07 | |
| 将事件抽取视为问题生成与回答 | ACL Short | 2023-07 | GitHub |
| STAR：通过大型语言模型的结构到文本数据生成，提升低资源事件抽取性能 | AAAI | 2024-03 |
用于指令微调的合成数据集
| 论文 | 会议/期刊 | 发表日期 | 代码链接 |
|---|---|---|---|
| 重新思考生成式命名实体识别中的负样本 | ACL Findings | 2024 | GitHub |
| UniversalNER：面向开放命名实体识别的大型语言模型定向蒸馏 | ICLR | 2024-01 | GitHub |
| GLiNER：使用双向Transformer的通用命名实体识别模型 | Arxiv | 2023-11 | GitHub |
| 用于多模态命名实体识别和多模态关系抽取的思维链提示蒸馏 | Arxiv | 2023-08 |
提示词设计
问答
| 论文 | 会议/期刊 | 发表日期 | 代码链接 |
|---|---|---|---|
| 面向低资源命名实体识别的知识增强提示 | TALLIP | 2024-04 | |
| 通过大型语言模型的单选题问答提升软件相关信息抽取 | 其他 | 2024-04 | |
| 重新审视大型语言模型作为零样本关系抽取器 | EMNLP Findings | 2023-12 | |
| 对齐指令任务可解锁大型语言模型的零样本关系抽取能力 | ACL Findings | 2023-07 | GitHub |
| 通过与ChatGPT对话实现零样本信息抽取 | Arxiv | 2023-02 | GitHub |
思维链
| 论文 | 会议/期刊 | 发表日期 | 代码链接 |
|---|---|---|---|
| RT：一种用于少样本医学命名实体识别的检索与思维链框架 | 其他 | 2024-05 | GitHub |
| 以生物医学命名实体识别领域的外部知识激发大型语言模型 | Arxiv | 2023-09 | |
| 用于多模态命名实体识别和多模态关系抽取的思维链提示蒸馏 | Arxiv | 2023-08 | |
| 在大型语言模型时代重新审视关系抽取 | ACL | 2023-07 | GitHub |
| 使用ChatGPT进行零样本时间关系抽取 | BioNLP | 2023-07 | |
| PromptNER：用于命名实体识别的提示工程 | Arxiv | 2023-06 |
自我改进
| 论文 | 会议/期刊 | 发表日期 | 代码链接 |
|---|---|---|---|
| ProgGen：利用自我反思型大型语言模型逐步生成命名实体识别数据集 | ACL Findings | 2024 | GitHub |
| ULTRA：通过层次化建模和成对精炼释放大型语言模型在事件论元抽取方面的潜力 | Arxiv | 2024-01 | |
| 利用大型语言模型实现零样本命名实体识别的自我改进 | NAACL Short | 2024 | GitHub |
约束解码生成
| 论文 | 会议/期刊 | 发表日期 | 代码链接 |
|---|---|---|---|
| 用于联合实体与关系抽取的自回归文本到图框架 | AAAI | 2024-03 | GitHub |
| 无需微调即可用于结构化NLP任务的语法约束解码 | EMNLP | 2024-01 | GitHub |
| DORE：基于生成式框架的文档有序关系抽取 | EMNLP Findings | 2022-12 | |
| 利用语言模型进行自回归结构化预测 | EMNLP Findings | 2022-12 | GitHub |
| 用于通用信息抽取的统一结构生成 | ACL | 2022-05 | GitHub |
特定领域
评估与分析
项目与工具包
| 论文 | 类型 | 会议/期刊 | 日期 | 链接 |
|---|---|---|---|---|
| ONEKE | 项目 | - | - | 链接 |
| TechGPT-2.0: 一个解决知识图谱构建任务的大语言模型项目 | 项目 | Arxiv | 2024年1月 | 链接 |
| CollabKG: 一种可学习的人机协作信息抽取工具包，用于（事件）知识图谱构建 | 工具包 | Arxiv | 2023年7月 | 链接 |
最新更新的论文
2024/09/04
数据集
* 表示该数据集为多模态。# 表示类别或句子的数量。
| 任务 | 数据集 | 领域 | #类别 | #训练 | #验证 | #测试 | 链接 |
|---|---|---|---|---|---|---|---|
| 命名实体识别 (NER) | ACE04 | 新闻 | 7 | 6202 | 745 | 812 | 链接 |
| ACE05 | 新闻 | 7 | 7299 | 971 | 1060 | 链接 | |
| BC5CDR | 生物医学 | 2 | 4560 | 4581 | 4797 | 链接 | |
| Broad Twitter Corpus | 社交媒体 | 3 | 6338 | 1001 | 2000 | 链接 | |
| CADEC | 生物医学 | 1 | 5340 | 1097 | 1160 | 链接 | |
| CoNLL03 | 新闻 | 4 | 14041 | 3250 | 3453 | 链接 | |
| CoNLLpp | 新闻 | 4 | 14041 | 3250 | 3453 | 链接 | |
| CrossNER-AI | 人工智能 | 14 | 100 | 350 | 431 | 链接 | |
| CrossNER-Literature | 文学 | 12 | 100 | 400 | 416 | ||
| CrossNER-Music | 音乐 | 13 | 100 | 380 | 465 | ||
| CrossNER-Politics | 政治 | 9 | 199 | 540 | 650 | ||
| CrossNER-Science | 科学 | 17 | 200 | 450 | 543 | ||
| FabNER | 科学 | 12 | 9435 | 2182 | 2064 | 链接 | |
| Few-NERD | 通用 | 66 | 131767 | 18824 | 37468 | 链接 | |
| FindVehicle | 交通 | 21 | 21565 | 20777 | 20777 | 链接 | |
| GENIA | 生物医学 | 5 | 15023 | 1669 | 1854 | 链接 | |
| HarveyNER | 社交媒体 | 4 | 3967 | 1301 | 1303 | 链接 | |
| MIT-Movie | 社交媒体 | 12 | 9774 | 2442 | 2442 | 链接 | |
| MIT-Restaurant | 社交媒体 | 8 | 7659 | 1520 | 1520 | 链接 | |
| MultiNERD | 维基百科 | 16 | 134144 | 10000 | 10000 | 链接 | |
| NCBI | 生物医学 | 4 | 5432 | 923 | 940 | 链接 | |
| OntoNotes 5.0 | 通用 | 18 | 59924 | 8528 | 8262 | 链接 | |
| ShARe13 | 生物医学 | 1 | 8508 | 12050 | 9009 | 链接 | |
| ShARe14 | 生物医学 | 1 | 17404 | 1360 | 15850 | 链接 | |
| SNAP* | 社交媒体 | 4 | 4290 | 1432 | 1459 | 链接 | |
| Temporal Twitter Corpus (TTC) | 社交媒体 | 3 | 10000 | 500 | 1500 | 链接 | |
| Tweebank-NER | 社交媒体 | 4 | 1639 | 710 | 1201 | 链接 | |
| Twitter2015* | 社交媒体 | 4 | 4000 | 1000 | 3357 | 链接 | |
| Twitter2017* | 社交媒体 | 4 | 3373 | 723 | 723 | 链接 | |
| TwitterNER7 | 社交媒体 | 7 | 7111 | 886 | 576 | 链接 | |
| WikiDiverse* | 新闻 | 13 | 6312 | 755 | 757 | 链接 | |
| WNUT2017 | 社交媒体 | 6 | 3394 | 1009 | 1287 | 链接 | |
| 关系抽取 (RE) | ACE05 | 新闻 | 7 | 10051 | 2420 | 2050 | 链接 |
| ADE | 生物医学 | 1 | 3417 | 427 | 428 | 链接 | |
| CoNLL04 | 新闻 | 5 | 922 | 231 | 288 | 链接 | |
| DocRED | 维基百科 | 96 | 3008 | 300 | 700 | 链接 | |
| MNRE* | 社交媒体 | 23 | 12247 | 1624 | 1614 | 链接 | |
| NYT | 新闻 | 24 | 56196 | 5000 | 5000 | 链接 | |
| Re-TACRED | 新闻 | 40 | 58465 | 19584 | 13418 | 链接 | |
| SciERC | 科学 | 7 | 1366 | 187 | 397 | 链接 | |
| SemEval2010 | 通用 | 19 | 6507 | 1493 | 2717 | 链接 | |
| TACRED | 新闻 | 42 | 68124 | 22631 | 15509 | 链接 | |
| TACREV | 新闻 | 42 | 68124 | 22631 | 15509 | 链接 | |
| 事件抽取 (EE) | ACE05 | 新闻 | 33/22 | 17172 | 923 | 832 | 链接 |
| CASIE | 网络安全 | 5/26 | 11189 | 1778 | 3208 | 链接 | |
| GENIA11 | 生物医学 | 9/11 | 8730 | 1091 | 1092 | 链接 | |
| GENIA13 | 生物医学 | 13/7 | 4000 | 500 | 500 | 链接 | |
| PHEE | 生物医学 | 2/16 | 2898 | 961 | 968 | 链接 | |
| RAMS | 新闻 | 139/65 | 7329 | 924 | 871 | 链接 | |
| WikiEvents | 维基百科 | 50/59 | 5262 | 378 | 492 | 链接 |
星标历史
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备
spec-kit
Spec Kit 是一款专为提升软件开发效率而设计的开源工具包，旨在帮助团队快速落地“规格驱动开发”（Spec-Driven Development）模式。传统开发中，需求文档往往与代码实现脱节，导致沟通成本高且结果不可控；而 Spec Kit 通过将规格说明书转化为可执行的指令，让 AI 直接依据明确的业务场景生成高质量代码，从而减少从零开始的随意编码，确保产出结果的可预测性。 该工具特别适合希望利用 AI 辅助编程的开发者、技术负责人及初创团队。无论是启动全新项目还是在现有工程中引入规范化流程，用户只需通过简单的命令行操作，即可初始化项目并集成主流的 AI 编程助手。其核心技术亮点在于“规格即代码”的理念，支持社区扩展与预设模板，允许用户根据特定技术栈定制开发流程。此外，Spec Kit 强调官方维护的安全性，提供稳定的版本管理，帮助开发者在享受 AI 红利的同时，依然牢牢掌握架构设计的主动权，真正实现从“凭感觉写代码”到“按规格建系统”的转变。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。