GAMA：面向Schema-as-Code生物医学NER的指南增强多智能体框架

GAMA用验证过的标注规则约束多智能体生成，提升BioNER结构化输出。

资讯摘要

论文提出GAMA，一个面向schema-as-code生物医学命名实体识别（BioNER）的指南增强多智能体框架。作者指出，现有基于LLM的BioNER方法存在两点不足：检索示例与外部知识难以支撑数据集特有的标注语义；自由生成缺乏结构约束，易出现格式错误、幻觉提及、重复实体和边界错误。GAMA先从标注训练实例中归纳候选标注规则，并依据标注数据验证，构建数据集专属指南记忆；再由规划组件生成带理由的span-type假设，由编码组件转为schema约束的实体对象，验证模块检查span grounding、类型有效性与结构合规，并通过双循环修正低置信预测。作者报告在三个BioNER数据集、两种LLM上，六种组合中四种取得最佳表现，消融实验验证了关键组件的作用。

要点速读

1. GAMA从标注训练实例归纳候选标注规则，并用标注数据验证，构建数据集专属指南记忆。
2. 框架包含规划、编码与验证模块，验证模块执行双循环修正，处理无效或低置信预测。
3. 作者报告在三个BioNER数据集、两种LLM的六种组合中四种取得最佳表现，消融实验支持关键组件贡献。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。