大语言模型在生物医学命名实体识别中的少样本学习实证研究

本文针对18个模型、9个架构家族展开系统性评估，探究大语言模型在生物医学命名实体识别（BioNER）任务中的少样本学习性能规律。核心发现包括：8B参数模型在效率与效果间达到最佳平衡；化学物识别表现优于疾病识别；上下文学习存在饱和效应，过度增加示例可能导致性能下降。

生物医学命名实体识别（BioNER）是医疗领域NLP核心任务，需精确识别化学物和疾病实体，但存在形态复杂、术语变体多、歧义等问题。传统方法依赖大量人工标注数据和领域特征工程，LLM少样本学习为其带来新可能，但LLM在BioNER上的表现及影响因素（参数规模、上下文示例数、实体类型等）需系统性研究。

本研究在BC5CDR测试集（500篇文章）评估18个模型（9个架构家族，参数量1B-70B），采用vLLM推理引擎和FastAPI中间件确保可复现性。设计7种上下文学习密度（k∈{0,1,2,4,8,16,32}），以micro-F1为主要指标，分别计算化学物和疾病实体识别效果。

参数规模并非唯一决定因素，Meta-Llama-3.1-8B-Instruct（8B参数）整体F1得分（0.605）超越更大参数量模型（如Qwen2.5-14B-Instruct、Yi-1.5-9B-Chat），说明预训练数据质量和指令调优的重要性。8B到70B的参数跃升仅带来2-3个F1点提升，8B模型成为硬件受限环境下的帕累托最优选择。

非对称性：所有模型化学物识别表现优于疾病识别（化学物F1范围0.14-0.78，疾病F1范围0.05-0.51），因化学物名称遵循规则命名模式，疾病提及需更深语义抽象和消歧。

饱和效应：少样本示例提升性能但存在阈值，超过后性能平稳或下降（如gemma-1.1-2b-it从k=8到k=32，F1下降74.6%）；7B以上模型性能衰减较小（≤6%），Qwen2.5-14B-Instruct稳定性最高（Δ=-0.3%）。

错误模式：假阴性远多于假阳性，小架构和高k值放大遗漏偏差（尤其疾病类别），提示需调整决策阈值平衡精确率与召回率。

技术实现：项目提供完整实验框架（FastAPI中间件、多模型共识引擎、评估流水线、可视化工具），支持投票、加权、级联等多LLM共识机制。

实践启示：8B模型是效率与效果最佳平衡点；化学物识别可直接用LLM，疾病识别需额外领域适配；上下文示例数需针对模型调优避免过度填充。

未来方向：探索多模型集成、领域特定提示工程、结合知识图谱的后处理机制，提升BioNER实用价值。