本文综述大语言模型（LLM）用于文本标注的研究。GPT-4可复现27项标注任务，但性能依赖数据集与任务类型，需逐任务验证。LLM在元数据标注、教育反馈分析、医疗文本标注等领域有潜力，结合主动学习可提升效率。研究强调需建立可靠、可重复、符合伦理的使用标准，LLM尚不能完全替代人工标注。

多项研究评估大语言模型在文本标注中的表现。总体看，LLM在问答等任务接近专用模型，但分类和关系抽取仍逊于BERT、PubMedBERT等微调模型；提示策略影响显著，准确率差异可超10%。LLM尚无法完全替代人类标注，开源与专有模型在概念理解上仍有明显差距。

该文综述文档布局分析与文本标注研究，涵盖少样本学习框架、无需二值化的文本行检测评估、半自动标注流程，以及DocBank、PubLayNet、LIE、BaDLAD、M⁶Doc等数据集；并介绍TransDLANet、MViTv2结合Mask R-CNN及Detectron2、YOLOv8、SAM在孟加拉文档布局分析中的应用与效果。

本文介绍了文本标注任务的方法，包括理论概述和实践建议，重点强调易读性和简明性，适合团队领导、项目经理、IT 架构师、软件开发人员和机器学习工程师等职业参考。