LLMs能够执行各种自然语言处理任务，例如命名实体识别。在这个研究中，我测试了一个能够调用几种商业和开源模型的开源库。最终结果是复杂的…
由于其体积庞大，大型语言模型（LLMs）已经获得了强大的语言处理能力。即使没有或很少的样例，它们也能够执行语言处理操作，如分类、情感分析、概念提取、命名实体识别、翻译等。
SpaCy是一个使用Python和Cython编写的语言处理库，自2016年以来一直被广泛使用。大部分处理是通过深度学习、Transformer技术（自3.0版本以来）和统计分析的组合完成的。Explosion公司的开放性方法允许用户训练自己的模型并根据自己的需求调整行为。无论哪种情况，我们都对这个库的性能和处理速度表示赞赏，它是该领域的领导者之一。此外，它们还提供了许多预训练模板，可以快速在多种语言中执行任务。
Spacy-llm模块于2023年5月推出，弥合了这两种方法之间的差距，提供了结构化输出的优势和这些新模型的新功能。和往常一样，这个库可以快速启动一个基于生成方法的处理流程。
使用Spacy-LLM进行NER任务
Spacy-LLM提供了一系列开箱即用的自然语言处理任务，如命名实体识别、文本分类、词形还原、关系抽取、情感分析、跨度分类和摘要生成。在本文中，我们重点关注其中的第一个任务：命名实体识别。
我还需要解释一下什么是命名实体吗？如果是的话，我邀请您阅读我的关于使用LLMs进行NER的文章，这是一个对NER使用的很好的介绍…