DiZiNER：通过零样本命名实体识别的试点注释模拟来进行不一致引导的指​​令细化

大语言模型 (LLM) 通过启用零样本和少样本命名实体识别 (NER) 来实现高级信息提取 (IE)，但它们的生成输出仍然显示出持久性和系统性错误。尽管通过指令 微调 取得了进展，但零样本 NER 仍然远远落后于监督系统。这些重复出现的错误反映了早期人工注释过程中观察到的不一致，这些过程通过试点注释解决分歧。受这个类比的启发，我们引入了 DiZiNER（通过零样本命名实体识别的试点注释模拟进行不一致引导的指​​令细化），这是一个模拟试点注释过程的框架，采用 LLM 充当注释者和监督者。多个异构 LLM 注释共享文本，监督模型分析模型间的分歧以细化任务指令。在 18 个基准测试中，DiZiNER 在 14 个数据集上实现了零样本 SOTA 结果，将先前最佳结果提高了 +8.0 F1，并将零样本与监督差距缩小了 +11 点以上。它还始终优于其主管 GPT-5 mini，这表明改进源于分歧引导的指令细化，而不是模型能力。模型之间的成对一致性显示出与 NER 性能的强相关性，进一步支持了这一发现。