超细粒度实体类型（Ultra-fine Entity Typing，UFET）的目标是为文本中出现的实体提及赋予高度具体的类型标签。这类任务的难点在于标签空间极其庞大，许多类型只出现在少量样本中，形成长尾分布。现有方法在长尾类型上的表现普遍不佳，而这篇由 Mreedul Gupta 等五位作者完成的论文认为，问题部分源于语境范围过窄。
作者提出的核心假设是：当前 UFET 系统主要依赖句子级上下文，但真正用于消除歧义的证据往往分散在多个句子之间。例如，一个实体究竟属于某种职业、某个组织角色还是某种社会身份，可能需要前后文的多条线索共同支撑。然而，要验证这一假设并不容易，因为现有的所有 UFET 资源都是句子级的，缺乏跨句语境的标准数据。
为此，研究团队构建了 Narrative-UFET，这是对 UFET 的一次受控扩展。在该数据集中，每个实体提及都与一段自动生成的、简短而连贯的叙事配对。通过合成叙事而非直接采集自然长文本，研究者能够精确控制话语层面的属性，从而分离出特定因素对类型判断的影响。
实验设计包含两个成对变体。第一个称为 Maintain，即实体在整个叙事中保持同一类型；第二个称为 Change，即实体的类型在叙事推进过程中发生转变。这种对照使作者可以考察类型稳定性与类型变化分别如何影响模型判断。
结果显示，与句子级基线相比，叙事语境在长尾类型上带来了稳定的性能提升，而 Change 变体提供的信号更强。研究者还比较了合成叙事与自然出现的上下文，发现合成叙事带来的增益更大。作者认为，这说明经过受控构造的话语能够显露出真实文本中往往隐含、未被明确表达的线索。
论文同时指出，当前结果距离理想水平仍有相当大的提升空间，这为话语建模与叙事构造两个方向都留下了开放的研究问题。该论文于 2026 年 6 月 25 日提交至 arXiv，编号为 2606.27598，属于计算与语言（cs.CL）类别，并交叉归入人工智能（cs.AI）。