arXiv 2026年10月5日该工作提出 MITE，将生物医学命名实体识别重构为结构到结构的生成任务，把同一训练实例转写为 Python、C++、Java 等多种编程语言格式以提供结构多样的监督信号，无需外部生物医学知识或额外标注，并在推理时用实体级投票聚合不同代码格式的预测；在六个常用 BioNER 数据集上，MITE 稳定优于代表性 BERT 类与 LLM 类基线，并表现出较强的跨数据集泛化能力，消融与参数分析进一步验证了各组件的作用与稳健性。该工作提出 MITE，将生物医学命名实体识别重构为结构到结构的生成任务，把同一训练实例转写为 Python、C++、Java 等多种编程语言格式以提供结构多样的监督信号，无需外部生物医学知识或额外标注，并在推理时用实体级投票聚合不同代码格式的预测；在六个常用 BioNER 数据集上，MITE 稳定优于代表性 BERT 类与 LLM 类基线，并表现出较强的跨数据集泛化能力，消融与参数分析进一步验证了各组件的作用与稳健性。MITE 用 Python、C++、Java 三种代码格式指令微调并投票集成，在六个 BioNER 数据集上稳定超过 BERT 与 LLM 基线该工作提出 MITE，将生物医学命名实体识别重构为结构到结构的生成任务，把同一训练实例转写为 Python、C++、Java 等多种编程语言格式以提供结构多样的监督信号，无需外部生物医学知识或额外标注，并在推理时用实体级投票聚合不同代码格式的预测；在六个常用 BioNER 数据集上，MITE 稳定优于代表性 BERT 类与 LLM 类基线，并表现出较强的跨数据集泛化能力，消融与参数分析进一步验证了各组件的作用与稳健性。该工作提出 MITE，将生物医学命名实体识别重构为结构到结构的生成任务，把同一训练实例转写为 Python、C++、Java 等多种编程语言格式以提供结构多样的监督信号，无需外部生物医学知识或额外标注，并在推理时用实体级投票聚合不同代码格式的预测；在六个常用 BioNER 数据集上，MITE 稳定优于代表性 BERT 类与 LLM 类基线，并表现出较强的跨数据集泛化能力，消融与参数分析进一步验证了各组件的作用与稳健性。