DiZiNER：基于 Pilot 注释模拟的不一致引导指令细化用于零样本命名实体识别

大型语言模型（LLM）通过启用零样本和少样本命名实体识别（NER）而在信息抽取（IE）方面取得了显著进展，但其生成输出仍显示出持续且系统性的错误。尽管通过指令微调取得了进展，但零样本 NER 仍远远落后于监督系统。这些反复出现的错误反映了早期人类注释进程中观察到的不一致，这些不一致通过 pilot 注释来解决。鼓励这种类比，我们引入 DiZiNER（不一致引导的指令细化通过 Pilot 注释模拟用于零样本命名实体识别），该框架模拟 pilot 注释过程，让 LLM 既作为注释者又作为监督者。多个异构 LLM 对共享文本进行注释，监督模型分析模型之间的不一致以细化任务指令。在 18 个基准数据集上，DiZiNER 实现了零样本 SOTA 结果，其中 14 个数据集的零样本最佳成绩提升了 +8.0 F1 分值，并将零样本到监督的差距缩小了超过 +11 分。它持续优于其监督者 GPT-5 mini，表明改进归功于不一致引导的指令细化而非模型容量。模型之间的成对一致性与 NER 性能呈强相关性，进一步支持了这一发现。