ReX-GG用结构化多模型复核提取关系并生成规范节点图

当前的 LLM 集成框架专注于多步骤设置，并带有用于答案排名的附加模块，通常选择 token 和文本片段分析而不是结构化输出，从而导致重量级架构在管道中具有潜在的失败状态。更快、更轻的解决方案更容易受到幻觉传播的影响，并且在更复杂的管道中可能缺乏输出控制。本文提出了一种可定制的、轻量级的协调大型语言模型的集成工作流程，该工作流程利用 JSON 结构的输出和匿名同行评审排名来减轻幻觉输出和单模型故障点。该管道在应用于英语科普文章的关系提取任务上进行了演示，针对四种基于本体论的关系类型（强因果关系、弱因果关系、对比关系和组合关系），并以语义节点规范化和交互式、颜色编码的 HTML 因果图作为最终输出。性能通过匿名用户研究进行评估，根据人工注释的金标准，平均感知准确度达到 0.778。模块化架构支持跨基于 API 和内部 LLM 设置的灵活部署，完整的框架在开放许可下发布，以促进可重复性和协作研究。