本文介绍了一种基于GPT模型的命名实体识别（NER）算法GPT-NER，提出了自我验证策略以解决幻觉问题。研究表明，该算法在低资源学习中优于有监督模型，并且结合大型语言模型的混合标注方法能有效提升NER性能，解决类别不平衡问题。多项实验结果证明，引入外部知识和自我改进框架显著提升了NER任务的效果。

本文综述大语言模型在虚假信息检测中的研究，涵盖利用启发式与多示例学习提升检测性能，提出零样本跨语言迁移、远程学习等框架以实现跨语言跨领域谣言检测，分析谣言语言特征，探讨大语言模型生成虚假信息的风险及防御策略，并验证对比转移、对抗对比学习等方法在低资源场景下的有效性。