大型語言模型的目標是理解和生成與人類語言類似的文字。它們經過大規模的訓練，能夠對輸入的文字進行分析，並生成符合語法和語境的回覆。這種模型可以用於各種任務，包括問答系統、對話機器人、文字生成、翻譯等。
命名實體識別（Named Entity Recognition，簡稱NER）是一種常見的應用方法，可以讓模型學會識別文字中的命名實體，如人名、地名、組織機構名等。
大型語言模型在訓練時透過大量的文字資料學習了豐富的語言結構和上下文資訊。這使得模型能夠更好地理解命名實體在文字中的上下文，提高了識別的準確性。即使模型在訓練過程中沒有見過某個命名實體，它也可以透過上下文推斷該實體的類別。這意味著模型可以處理新的、未知的實體，而無需重新訓練。除此以外我們還能透過微調（fine-tuning）在特定任務上進行最佳化。這種遷移學習的方法使得在不同領域和任務上進行NER更加高效。
這篇文章總結了命名實體識別(NER)問題微調大型語言模型的經驗。我們將以個人身份資訊(PII)為例來介紹大型語言模型進行NER微調的方法。
https://avoid.overfit.cn/post/0cb82b2fee6440b6b762a23bbf85bf59