近日，一篇来自arXiv的论文（提交于2026年5月22日）提出了一个名为PlanE的创新框架，旨在解决大语言模型（LLM）在特定任务中面临的两大挑战：指令调优数据标注成本高昂，以及缺乏针对具体任务优化LLM的方法。PlanE全称为“Planning framework for Extractive-based LLMs”，通过数据分解、指令调优和提示推理三个核心步骤，高效构建抽取式大语言模型。
该框架的核心组件是DTI（Data-Tuning-Inference）规划器。它能够根据给定的数据集，自动选择最优的基础LLM以及相应的数据、调优和推理组合，从而显著提升模型构建效率。研究团队从两个角度进行了实验验证：一是使用同一基础模型处理不同数据集，二是将同一数据集应用于不同基础模型。结果表明，PlanE在这两种场景下均表现出色。此外，DTI规划器在不同优化目标下也展现了良好的泛化能力，证明了其灵活性和实用性。
论文由Jiacheng Wang等三位作者共同完成，代码已在GitHub上公开（https://github.com/gugugu-469/PlanE），便于学术界复现和进一步研究。这一工作为低成本、高效率地将LLM定制到具体任务提供了全新思路，有望推动NLP领域在抽取式任务上的应用发展。PlanE的出现不仅降低了模型构建的门槛，也为未来模型选择和优化提供了系统化的方法论。