文章背景与核心概要
历史实体对齐远超基础的字符串匹配或音译。历史人物经常出现在不同的语言、文字和转写传统中，而不同的人物却可能拥有惊人相似或相同的名字。为了解决这一痛点，作者引入了 MHER（蒙古历史实体对齐，Mongol Historical Entity Reconciliation）这一来源可控的基准，专为蒙古世界中人名考证的成对实体对齐而设计。
通过对生成式模型的广泛评估，该研究突显了基于源头的历史证据如何根本性地改变身份解析的准确性，并深入剖析了历史自然语言处理（NLP）中模型的拒绝回答机制、证据利用率以及失败模式。
当名称跨越文字：蒙古世界历史实体对齐的源头依据基准
作者： Xiang Chen, Zeyu Zhang
主要学科： 计算与语言 (cs.CL)
其他学科： 人工智能 (cs.AI)
arXiv ID： arXiv:2608.23507 [cs.CL]
提交时间： 2026年8月24日
📌 总结
Historical entity reconciliation goes far beyond basic string matching or transliteration. Figures from history often appear across different languages, scripts, and transcription traditions, while distinct individuals can share remarkably similar or identical names.
历史实体对齐远超基础的字符串匹配或音译。历史人物经常出现在不同的语言、文字和转写传统中，而不同的人物却可能拥有惊人相似或相同的名字。
To address this, the authors introduce MHER (Mongol Historical Entity Reconciliation), a provenance-controlled benchmark designed for pairwise reconciliation of person-name attestations from the Mongol world. Through extensive evaluation of generative models, the study highlights how source-grounded historical evidence fundamentally alters identity resolution accuracy, shedding light on model abstention, evidence utilization, and failure modes in historical Natural Language Processing (NLP).
为了解决这一问题，作者引入了 MHER（蒙古历史实体对齐，Mongol Historical Entity Reconciliation），这是一个来源可控的基准，专为蒙古世界中人名考证的成对实体对齐而设计。通过对生成式模型的广泛评估，该研究突显了基于源头的历史证据如何根本性地改变身份解析的准确性，并深入剖析了历史自然语言处理（NLP）中模型的拒绝回答机制、证据利用率以及失败模式。
🔍 基准测试核心亮点
- Dataset Composition: MHER features a balanced 396-pair Name-only core covering 84 primary historical persons, alongside a stricter 160-pair Source-grounded subset built from mention-by-source evidence (with entity-disjoint development and test splits).
- 数据集组成： MHER 包含一个平衡的 396 对仅名称（Name-only）核心，涵盖 84 位主要历史人物，以及一个更严格的 160 对源头依据（Source-grounded）子集，该子集构建于按来源提及的证据之上（具有实体不相交的开发集和测试集划分）。
- Impact of Provenance: Across five generative systems, incorporating correctly source-grounded evidence improves paired test accuracy by 12.96 to 94.44 percentage points compared to Name-only inputs.
- 来源出处的影响： 在五个生成式系统中，引入正确的源头依据证据后，成对测试准确率比仅名称输入提高了 12.96 至 94.44 个百分点。
- Resolution of Ambiguity: In scenarios involving identical surface forms for different individuals, models relying solely on names fail completely (\(0/25\) correct decisions). In contrast, source-grounded evidence achieves \(24/25\) correct resolutions, with the remaining case resulting in a safe abstention.
- 消歧能力： 在涉及不同个体具有相同表层形式的场景中，完全依赖名称的模型彻底失效（\(0/25\) 的正确决策）。相比之下，源头依据证据实现了 \(24/25\) 的正确解析，剩余的案例则导向了安全的拒绝回答。
- The "Surface Form" Trap: Context-only ablations reveal that historical descriptions carry substantial identity information. However, explicitly restoring surface forms can sometimes degrade performance—for instance, causing Qwen3-8B to mistakenly convert ten otherwise correct Context-only distinctions into false identity merges.
- “表层形式”陷阱： 仅上下文的消融实验表明，历史描述携带了大量的身份信息。然而，显式恢复表层形式有时会降低性能——例如，导致 Qwen3-8B 错误地将原本完全正确的十个“仅上下文”区分转化为错误的身份合并。
📚 文档与引用信息
- Comments: 38 pages, 4 figures, 7 tables (arXiv preprint)
- ACM Classifications: I.2.7; I.2.6; H.3.3
- DOI: 10.48550/arXiv.2608.23507
- 评论： 38 页，4 张图表，7 个表格（arXiv 预印本）
- ACM 分类： I.2.7; I.2.6; H.3.3
- DOI： 10.48550/arXiv.2608.23507