メールからの送信者会社名抽出に特化した報酬設計に基づくGroup Relative Policy Optimization
概要
メールから送信者の会社名を抽出するタスクでは、メール特有の文脈の複雑さや表記揺れにより、従来の Supervised Fine-Tuning（SFT）には性能の限界があった。
本研究では、法人格やメールアドレスなどのメタ情報により出力を自動検証できる点に着目し、検証可能な報酬を複数設計して Group Relative Policy Optimization による追加学習を行った。
実験の結果、法人格を考慮した部分一致報酬が最も有効であり、SFT を上回る抽出性能を達成した。
さらに1B 規模の軽量モデルでは、思考プロセスを明示する設定より最終出力のみを生成する設定の方が、推論コストと抽出性能の両面で優位であることを示した。