研究论文
PlanE：为抽取式 LLM 联合规划数据、调优与推理流程
研究者提出 PlanE 框架与 DTI 规划器，针对抽取式任务自动选择最优基础模型与数据-调优-推理组合，以降低标注成本…
2026.07.24 · 周五约 2 分钟阅读
核心内容
arXiv 上发表的一篇研究论文提出了名为 PlanE 的规划框架，专门用于构建面向抽取式任务的大语言模型（LLM）。该框架包含数据分解、指令调优与提示推理三个环节，并配套引入了一个 Data-Tuning-Inference（DTI）规划器，能够根据具体数据集自动挑选最合适的基础 LLM 及其对应的数据-调优-推理组合，从而降低构建成本并提升效率。
研究团队指出，提升 LLM 的任务专用能力通常依赖大规模指令微调数据，但数据标注成本高昂，且缺乏针对特定任务优化模型的系统化方法。PlanE 正是为解决这一矛盾而设计。
方法设计
PlanE 的整体思路是把"构建一个好用的抽取式 LLM"拆解为三个可独立优化又彼此关联的步骤：
- 数据分解：将原始标注数据按任务特性进行结构化拆分，便于后续按需取用。
- 指令调优：在分解后的数据上对基础模型进行指令微调，使其适配抽取式任务。
- 提示推理：在推理阶段使用经过规划的 prompt 模板，引导模型完成抽取。
围绕这三个步骤，研究者进一步设计了 DTI 规划器，其作用是在给定数据集的情况下，从候选方案中选出最优的基础 LLM 与对应的数据-调优-推理组合，避免人工反复试错。
实验与结论
论文从两个角度验证了 PlanE 的有效性：
- 在不同数据集上使用同一基础 LLM，检验框架对任务切换的适配能力。
- 在同一数据集上使用不同基础 LLM，检验框架对模型选择的指导能力。
此外，研究者还在不同优化目标下测试了 DTI 规划器的泛化性，证实其具备一定可迁移性。
资源与意义
作者已将相关代码开源（GitHub: gugugu-469/PlanE），便于社区复现与进一步研究。该工作的核心贡献在于把"数据选择—模型调优—推理配置"三件事纳入一个统一的规划视角，对抽取式问答等结构化预测任务具有一定的实用参考价值；但其影响范围主要集中在抽取式 LLM 这一相对细分方向，尚未涉及通用大模型或前沿多模态能力。