REaMA:通过指令调整构建生物医学关系提取专门的大型语言模型
IEEE transactions on neural networks and learning systems
|August 20, 2025
概括
专门用于生物医学关系提取 (BioRE) 的新REaMA模型显著超过现有方法. 使用REInstruct数据集调整通用大语言模型 (LLM) 的指令可以提高它们的生物医学IE能力.
科学领域:
- 生物医学信息学是生物医学信息学.
- 自然语言处理自然语言处理.
- 人工智能的人工智能
背景情况:
- 生物医学关系提取 (BioRE) 对于理解生物医学文献至关重要.
- 一般的大型语言模型 (LLM) 在专门的BioRE任务中显示出局限性.
- 与BioRE中的最先进的方法 (SOTA) 相比,现有的开源LLM表现不佳.
研究的目的:
- 为生物医学关系提取 (BioRE) 开发专门的大型语言模型 (LLM).
- 为了解决在BioRE任务中的一般LLMs的绩效差距.
- 为BioRE.RE引入一个多任务指令调节框架和数据集 (REInstruct).
主要方法:
- 使用REInstruct数据集 (15万对) 开发了一个多任务指令调整框架.
- 创建了REaMA,这是BioRE的一系列开源LLMs (7B和13B参数).
- 在七个不同的BioRE数据集上评估了REaMA模型.
主要成果:
- REaMA模型在多个BioRE数据集中表现出强的性能.
- 在7个数据集中,REaMA-2-13B在5个数据集中超过了SOTA方法.
- 与REInstruct的指令调整有效地提高了LLM的BioRE能力.
结论:
- REInstruct数据集和多任务指令调整框架显著提高了BioRE中的LLM性能.
- REaMA模型代表了开源BioRE工具的实质性进步.
- 纳入思维链 (CoT) 进一步提高了REaMA的概括能力.


