大型语言模型时代下的生成式命名实体识别评估
计算与语言
2026-01-27 v1
摘要
随着大型语言模型（LLM）的兴起，命名实体识别（NER）正从序列标注任务演变为生成式范式。我们对开源 LLM 在平面和嵌套 NER 任务上进行了系统评估。我们研究了几个研究问题，包括生成式 NER 与传统 NER 模型之间的性能差距、输出格式的影响、LLM 是否依赖记忆，以及微调后通用能力的保持情况。通过在八种不同规模的 LLM 和四个标准 NER 数据集上的实验，我们发现：（1）通过参数高效微调和内联括号或 XML 等结构化格式，开源 LLM 实现了与传统基于编码器的模型相媲美的性能，并超越了如 GPT-3 等闭源 LLM；（2）LLM 的 NER 能力源于指令遵循和生成能力，而非仅仅对实体-标签对的记忆；（3）应用 NER 指令微调对 LLM 的通用能力影响极小，甚至因增强的实体理解而在 DROP 等数据集上提升了性能。这些发现表明，使用 LLM 的生成式 NER 是一种有前途且用户友好的传统方法替代方案。我们在 https://github.com/szu-tera/LLMs4NER 发布了数据和代码。
引用
@article{arxiv.2601.17898,
title = {Assessment of Generative Named Entity Recognition in the Era of Large Language Models},
author = {Qi Zhan and Yile Wang and Hui Huang},
journal= {arXiv preprint arXiv:2601.17898},
year = {2026}
}