一、文章主要内容
本文聚焦大语言模型（LLMs）的文本结构化处理能力，核心解决当前模型在复杂文本处理中缺乏稳定中间表示（IR）、泛化能力弱的问题。研究通过两大核心贡献推动领域进展：
提出Structure of Thought（SoT）提示策略：借鉴人类处理长文本的逻辑（提取关键点、明确关系、结构化信息），指导模型在生成答案前先将文本转化为“节点-链接”结构。实验显示，SoT在8个文本处理任务、3个模型家族中均实现稳定性能提升，平均提升5.7%。
构建T2S-Bench基准数据集：首个专门评估文本到结构（Text-to-Structure）能力的数据集，包含1.8K高质量样本，覆盖计算机科学、经济学、环境科学等6大科学领域、32种结构类型。数据集分为训练集（T2S-Train-1.2k）、多跳推理测试集（T2S-Bench-MR，500样本）和端到端结构提取测试集（T2S-Bench-E2E，87样本），具备结构准确性高、评估公平通用、样本质量严格三大优势。
大规模模型评估与验证：对45个主流模型（含GPT、Gemini、Claude、开源模型如Qwen3、DeepSeek等）进行基准测试，发现当前模型存在显著提升空间（多跳推理平均EM仅52.1%，顶尖模型节点提取准确率仅58.1%）；基于T2S-Bench训练后，模型在下游文本任务中性能进一步提升至8.6%，证实结构化能力对文本处理的核心价值。
二、创新点
通用中间表示范式
