CalOn统一抽取模型论文发布

2026年10月15日，arXiv Artificial Intelligence 刊出研究团队（Yang Wang 等作者）的论文，提出 CalOn——一个 0.6B 参数的统一编码器，可跨数据集和 schema 完成实体、关系与事件抽取。该模型联合编码文本与类型定义，将三类抽取任务统一为概率框架，并用奖励机制补充监督学习。据该报道，在 40 个基准上，CalOn 在多数基准上优于所评估的基线，并在所有已报告的关系抽取基准上领先；训练中引入的概率偏差校正还改善了实体、关系和事件论元的置信度估计，F1 变化很小。目前该事件仅有这一篇主报道，尚无后续跟进报道，上述性能结论均来自论文自述，未见到独立复现或第三方评测。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。