零樣本NER

深度分析

DiZiNER：以分歧分析驅動的指引精煉提升零樣本NER

大型語言模型在命名實體識別仍有系統性錯誤。DiZiNER模擬人工試註流程，讓多個異質LLM互為註者並由監督模型分析分歧，據此精煉任務指引與模型專屬說明。實驗顯示在18個基準上達到多項零樣本領先，並顯著縮小與監督式差距。對實務和開發者皆有啟示。