La detección de eventos sin etiqueta tiene como objetivo involucrar el descubrimiento automático y la clasificación de nuevos eventos dentro de un texto no estructurado. Los métodos actuales de detección de eventos sin etiqueta no han considerado abordar el problema de manera más efectiva desde la perspectiva de mejorar las representaciones de eventos. En este documento, proponemos el modelo de promoción dual-contrastiva (COPE) para aprender representaciones de eventos para abordar la detección de eventos sin etiqueta, que aprovecha las indicaciones para ayudar en la generación de incrustaciones de eventos utilizando un modelo de lenguaje preentrenado, y emplea un enfoque de fusión contrastiva para capturar información de interacción compleja entre las representaciones de desencadenantes y las incrustaciones de oraciones para obtener representaciones de eventos mejoradas. Primero, presentamos un generador de muestras para crear secuencias de muestras contrastivas ordenadas con diferentes grados de similitud para cada instancia de evento, ayudando al modelo a distinguir mejor diferentes tipos de eventos. En segundo lugar, diseñamos dos indicaciones distintas para obtener representaciones de desencadenantes y incrustaciones de oraciones de eventos por separado. En tercer lugar, empleamos un módulo de fusión contrastiva, donde las representaciones de desencadenantes y las incrustaciones de oraciones de eventos se fusionan de forma interactiva en el espacio vectorial para generar las representaciones finales de eventos. Los experimentos muestran que nuestro modelo es más efectivo que los métodos más avanzados.