PlanE：面向抽取式大語言模型的資料、調優和推理元規劃
PlanE提出一個規劃框架，透過資料分解、指令調優和提示推理來構建高效的抽取式LLM，並引入DTI規劃器自動選擇最優的基礎模型及其組合，實驗驗證了其有效性和泛化能力。
近日，一篇來自arXiv的論文（提交於2026年5月22日）提出了一個名為PlanE的創新框架，旨在解決大語言模型（LLM）在特定任務中面臨的兩大挑戰：指令調優資料標註成本高昂，以及缺乏針對具體任務最佳化LLM的方法。PlanE全稱為“Planning framework for Extractive-based LLMs”，透過資料分解、指令調優和提示推理三個核心步驟，高效構建抽取式大語言模型。
該框架的核心元件是DTI（Data-Tuning-Inference）規劃器。它能夠根據給定的資料集，自動選擇最優的基礎LLM以及相應的資料、調優和推理組合，從而顯著提升模型構建效率。研究團隊從兩個角度進行了實驗驗證：一是使用同一基礎模型處理不同資料集，二是將同一資料集應用於不同基礎模型。結果表明，PlanE在這兩種場景下均表現出色。此外，DTI規劃器在不同最佳化目標下也展現了良好的泛化能力，證明了其靈活性和實用性。
論文由Jiacheng Wang等三位作者共同完成，程式碼已在GitHub上公開（https://github.com/gugugu-469/PlanE），便於學術界復現和進一步研究。這一工作為低成本、高效率地將LLM定製到具體任務提供了全新思路，有望推動NLP領域在抽取式任務上的應用發展。PlanE的出現不僅降低了模型構建的門檻，也為未來模型選擇和最佳化提供了系統化的方法論。