在LinkedIn的使命中，职位理解至关重要，它涉及将非结构化和嘈杂的职位发布转化为标准化或衍生的职位属性，从而支持多个LinkedIn产品。然而，构建一个可扩展、成本高效且高性能的职位理解系统仍然面临挑战。本文提出了一种由小型语言模型（SLM）驱动的统一语义建模框架，以应对这些挑战。
我们首先使用一套精心策划的合成任务对开源SLM进行微调，这些任务结合了推理痕迹，针对分类和实体提取进行联合训练。这使得模型能够在结构化和非结构化上下文中获得强大的零-shot泛化能力。基于这一基础，我们引入了多适配器架构和属性分组，以便在不同下游属性间高效地进行任务特定适应，同时简化模型管理。
离线评估和在线A/B测试显示，该框架显著提升了性能，同时降低了操作复杂性。我们的工作为构建行业级文本理解系统提供了实用的见解。
博主点评： 该框架不仅提升了LinkedIn在职位理解方面的能力，也为其他行业的文本处理提供了可借鉴的思路。通过结合小型语言模型与多适配器架构，展现了高效与灵活的平衡，值得关注。