跨语言迁移学习助力古典拉丁语命名实体识别：uOttawa团队基于LLM提示工程夺冠EvaLatin 2026

摘要：arXiv最新论文显示，渥太华大学团队在EvaLatin 2026命名实体识别（NER）共享任务中，利用商业LLM（gemini-2.5-pro和claude-sonnet-4-5）的提示工程，在粗粒度（11类）和细粒度（28类）两个子任务中均取得第一名，并在所有评估指标和严格/模糊两种评估机制下获得最佳成绩。该研究证明了跨语言迁移学习对低资源古代语言（如古典拉丁语）的有效性，为数字人文学科和低资源NLP提供了新思路。

---

研究背景

随着古典拉丁语数字化资源的增加和大语言模型（LLM）的突破，古代语言研究迎来了新的机遇。EvaLatin 2026 共享任务聚焦于古典拉丁语的命名实体识别（NER），旨在推动古代语言的自然语言处理研究。

任务与挑战

该任务分为两个子任务：

• 粗粒度 NER：包含 11 个实体类别。
• 细粒度 NER：包含 28 个实体类别。

每个子任务均在严格（strict）和模糊（fuzzy）两种评估机制下进行评价。古典拉丁语作为低资源语言，标注数据稀缺，传统监督学习方法面临挑战。

方法：LLM 提示工程与跨语言迁移

渥太华大学团队（Team uOttawa）采用商业 LLM（gemini-2.5-pro 和 claude-sonnet-4-5）进行提示工程，利用 LLM 在多种语言上的预训练知识，通过跨语言迁移学习来弥补拉丁语数据不足的问题。具体方法包括设计有效的提示模板，引导模型识别实体边界和类别，并利用模糊匹配机制提升鲁棒性。

结果与亮点

• 在两个子任务中均排名第一。
• 在所有评估指标和严格/模糊机制下均取得最佳成绩。
• 证明了 LLM 提示工程在低资源古代语言 NER 中的巨大潜力。

行业影响与启示

1. 低资源 NLP 新路径：该方法为其他低资源语言（如古代语言、方言）提供了可借鉴的范式。
2. 数字人文学科赋能：加速古典文本的数字化处理，促进历史、文学等领域的研究。
3. LLM 应用拓展：展示了商业 LLM 在专业领域任务中的价值，提示工程成为关键技能。

开发者建议

• 对于低资源语言任务，可优先考虑利用 LLM 的跨语言能力，而非从零训练模型。
• 提示工程需针对任务特点进行迭代优化，结合模糊评估机制可提升实际效果。
• 关注 LLM 的伦理与可靠性，确保输出符合学术规范。

原文出处

本文基于 arXiv 论文（arXiv:2608.04015）撰写，原文链接：https://arxiv.org/abs/2608.04015

—— 完 ——

主题标签： #LLM 关注 #命名实体识别 关注 #跨语言迁移 关注 #古典拉丁语 关注 #提示工程 关注