arXiv cs.CL· Qi Zhan, Yile Wang, Hui Huang·· 6 天前AI 评分29
大语言模型时代的生成式命名实体识别评估
Assessment of Generative Named Entity Recognition in the Era of Large Language Models
AI 导读
一项被 EMNLP 2026 Findings 接收的研究系统评估了开源 LLM 在扁平与嵌套 NER 任务上的表现。实验覆盖 8 个不同规模 LLM 和 4 个标准 NER 数据集，发现采用参数高效微调与 inline bracketed 或 XML 等结构化格式后，开源 LLM 性能可媲美传统编码器模型，并超越使用上下文学习技术的解码器 LLM。
正文 · AI 翻译
摘要：随着大语言模型（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 在扁平 NER 和嵌套 NER 任务上进行了系统评估。我们研究了若干研究问题，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。通过在八个不同规模的 LLM 和四个标准 NER 数据集上进行实验，我们发现：（1）借助参数高效微调以及内联括号或 XML 等结构化格式，开源 LLM 的性能可与传统基于编码器的模型相媲美，并超越采用上下文学习技术的基于解码器的 LLM；（2）LLM 的 NER 能力源于指令遵循和生成能力，而非仅仅记忆实体-标签对；（3）应用 NER 指令微调对 LLM 的通用能力影响极小，甚至由于增强了实体理解，使 DROP 等数据集上的性能提升了 25.50 至 45.32 个 F1 点。这些发现表明，基于 LLM 的生成式 NER 是传统方法的一种有前景且用户友好的替代方案。我们在此 https URL发布了数据和代码。
| Comments: | Accepted to EMNLP 2026 Findings |
| Subjects: | 计算与语言（cs.CL） |
| Cite as: | arXiv:2601.17898 [cs.CL] |
| （或 arXiv:2601.17898v3 [cs.CL] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2601.17898 由 DataCite 颁发的 arXiv DOI |
Submission history
来自：Qi Zhan [查看邮箱]
[v1]
2026年1月25日星期日 16:20:40 UTC（153 KB）
[v2]
2026年5月31日星期日 14:59:47 UTC（275 KB）
[v3]
2026年10月9日星期五 04:23:49 UTC（465 KB）
来源：arXiv cs.CL · arxiv.org