研究提出Conformal Relevance框架：以少量人工输入替代逐任务提示工程，提升NLP抽取任务的覆盖与简洁性
arXiv论文提出Conformal Relevance，用上下文学习示例与集成构建打分函数，在七项NLP任务上保持覆盖率的同时提升简洁度，并给出集成多样性的理论条件。
AI解读：这篇论文解决的核心问题是：在总结、抽取式问答等需要从文档中挑选内容的NLP任务里，既要保证覆盖足够的关键信息，又要尽量精简、去掉无关内容，而目前最好的打分方法依赖人工为每个任务编写LLM提示词，费时且无法通用。Conformal Relevance的思路是用少量示例和模型集成自动生成打分函数，论文声称在七项任务上试验后，覆盖率和简洁性都不输手工提示，还从理论上解释了为什么集成能提升最差情况下的句子得分。对做NLP系统的研发者来说，这项工作的直接价值是减少调提示词的重复劳动，让同一套打分方法能更快迁移到新任务；但要注意，论文尚未给出与手工提示方案的详细对比数据，实际效果有待复现验证，普通读者无需采取任何行动。
9 月 2 日提交至arXiv的一篇论文（编号 2609.03005，EMNLP 2026 Findings）提出Conformal Relevance框架，用上下文学习示例筛选与集成来构造打分函数，在保持覆盖率的同时提升内容抽取的简洁性，并称只需极少的人工输入。作者来自加拿大公司Layer 6 AI，包括Xiao Shi Huang、Chen-Yuan Lin、Bruce Kuwahara、Kin Kwan Leung和Jesse C. Cresswell。
现有打分方法的瓶颈
论文指出，摘要、抽取式问答等许多NLP任务都可归结为从文档中检索相关内容，需同时满足覆盖率（保留足够达成目标的信息）和简洁性（尽可能去掉无关信息）。
保序预测（conformal prediction）方法能保证覆盖率，其简洁性则取决于打分函数的设计。目前的先进打分函数依赖人工编写的LLM提示，要求模型对内容重要性评分，但这种人工提示工程劳动密集且针对具体任务，难以复用。
Conformal Relevance框架的做法与理论结果
Conformal Relevance框架通过上下文学习示例策展和集成（ensembling）构造打分函数，在维持覆盖率的同时改善简洁性，人工输入量很小。
论文展示了该框架在七项NLP任务上的应用，并从理论角度研究集成对保序评分多样性（diversity）的影响，提出一个互补性条件（complementarity condition），用于刻画集成在何时能改善最差情况下的句子得分，同时给出集成改进的饱和界（saturation bound）。