MITE：多编程语言指令训练与实体投票抽取

指令调优已成为将大型语言模型（LLM）应用于生物医学命名实体识别（BioNER）的常见范式，但面临两个关键挑战。首先，自然语言指令通常将标注序列化为扁平文本，为类型化实体抽取提供的结构约束有限。其次，高质量标注有限，单一输出形式可能限制结构多样性并降低鲁棒性；引入外部医学知识虽可缓解数据不足，却常需昂贵资源构建。为此，我们提出MITE，一种多编程语言指令调优与集成方法。MITE将BioNER改写为结构到结构生成，以代码形式表达指令和实体输出。每个训练实例在保持实体语义不变的情况下，转换成Python、C++和Java等多种格式，无需外部医学知识或额外标注即可提供结构多样的监督。推断时，以实体级投票聚合不同代码格式的预测，降低语言特定预测方差并改善鲁棒性。在六个广泛使用的BioNER数据集上，MITE持续优于代表性BERT与LLM基线，并表现出较强跨数据集泛化。消融与参数分析进一步验证各组件的有效性和鲁棒性。