# 模式对比优势估计

该工作提出 EAGER，一个面向生成式事件抽取的强化学习框架，将细粒度可验证奖励与 Schema-Contrastive Advantage Estimation 结合，以缓解稀疏二值奖励下的优势坍缩；其奖励设计显式覆盖结构有效性、抽取准确率、接地性、覆盖率、过度生成与跨度精确度，在七个基准数据集上持续优于提示、监督微调与既有强化学习基线，并相对最强先前方法取得显著提升。

该工作提出 EAGER，一个面向生成式事件抽取的强化学习框架，将细粒度可验证奖励与 Schema-Contrastive Advantage Estimation 结合，以缓解稀疏二值奖励下的优势坍缩；其奖励设计显式覆盖结构有效性、抽取准确率、接地性、覆盖率、过度生成与跨度精确度，在七个基准数据集上持续优于提示、监督微调与既有强化学习基线，并相对最强先前方法取得显著提升。