本文介绍了通用信息抽取大型语言模型（GIELLM），该模型通过统一架构整合多种信息抽取任务，显著提升了性能。实验结果表明，GIELLM在多个数据集上超越了GPT-3.5-Turbo，验证了互相增强效应（MRE）的有效性，推动了信息抽取任务的统一处理。

通用信息抽取大型语言模型（GIELLM）能够处理多个信息抽取子任务，包括文本分类、情感分析、命名实体识别、关系抽取和事件抽取。通过互相增强效应（MRE），GIELLM在综合任务中表现出色，超过了GPT-3.5-Turbo。这一突破为信息抽取子任务的合并提供了可能，不再需要专门的微调任务特定模型。