本文介绍了一种基于GPT模型的命名实体识别（NER）算法GPT-NER，提出了自我验证策略以解决幻觉问题。研究表明，该算法在低资源学习中优于有监督模型，并且结合大型语言模型的混合标注方法能有效提升NER性能，解决类别不平衡问题。多项实验结果证明，引入外部知识和自我改进框架显著提升了NER任务的效果。

该文综述命名实体识别（NER）的最新进展，涵盖GPT-NER、NuNER、GLiNER等模型。GPT-NER将序列标注转为生成任务并引入自我验证；NuNER是低数据需求的紧凑表示模型；GLiNER用双向Transformer实现并行抽取，性能超越ChatGPT。此外还探讨了负采样、零样本推理策略、自我改进框架及查询生成重排序等方法，在低资源场景下表现优异。

该文综述基于生成式大模型的命名实体识别研究，涵盖GPT-NER、iNERD等方法，将序列标注转为生成任务并引入自我验证以缓解幻觉，同时涉及并行自回归解码、语音文本融合、多语言复杂NER及微软跨语言实践，显示生成式方法在低资源场景下表现优异，部分任务达最先进水平。