据 OpenAI 2018 年 2 月 7 日发布的文章，其研究团队构建了一套用于实体消歧的系统：当一个词在不同语境中可能指向不同对象时，系统会让神经网络判断该词是否属于约 100 个由模型自动发现的“类型”。这些类型并不是互斥标签，一个实体可以同时落入多个类别，从而帮助模型更准确地理解文本中某个词到底指代什么。
实体消歧是自然语言处理中的基础问题。例如同一个名称可能对应人物、地点、组织、作品或产品，单靠字符串匹配往往无法确定真实含义。OpenAI 这项工作关注的重点不只是给实体贴一个固定标签，而是尝试让系统自动形成一组可用于区分语义对象的类别，再用神经网络对每个候选词进行多类型判断。这种设计使分类结果更灵活，也更接近真实语言中“一个对象具备多重属性”的情况。
核心方法：自动发现类型，而不是只依赖人工标签
来源显示，该系统围绕约 100 个自动发现的类型展开。与传统人工预设类别相比，自动发现类型的思路在于减少对固定本体和手工标注体系的依赖，让模型从数据中学习哪些维度有助于区分实体。神经网络并不是在多个类别中只选一个，而是逐项判断某个词是否属于每一类，因此这些类别是非互斥的。
这种多标签判断对于实体消歧尤其重要。一个对象可能既是公司、也是软件提供方；一个名称可能既关联地理位置、也关联机构或事件。若系统只能选择单一类别，容易丢失上下文信息；而非互斥类型可以提供更丰富的语义画像，为后续判断“这个词在当前句子里指谁”提供依据。
- 输入目标：解决文本中词语或名称指向哪个对象的问题。
- 类型来源：约 100 个类型由系统自动发现，而非完全手工定义。
- 判断方式：神经网络分别判断词语是否属于每个类型。
- 类别关系：类型之间非互斥，一个实体可同时具有多个属性。
对开发者与 API 使用者的意义
从今天的模型调用场景看，实体消歧能力直接影响搜索增强生成、知识库问答、客服机器人、舆情分析、代码助手文档检索等应用的质量。对于 API 使用者而言，模型是否能正确区分同名实体，往往决定了回答是否可用。例如企业知识库中存在同名产品、部门或项目时，若消歧失败，RAG 系统可能检索到错误文档，进而生成看似流畅但事实不准的答案。
OpenAI 早期这类研究说明，大模型能力并不只来自更大的文本生成网络，也包括对语言结构、实体属性和语义类别的建模。对于通过中转 API 接入 OpenAI、Claude、Gemini 等模型的开发者来说，这一方向带来的启示是：在应用层不能只关注“模型能否生成”，还要关注实体识别、消歧、检索约束和上下文组织是否完善。
在模型接入中的落地启示
如果业务依赖模型理解特定对象，开发者可以将实体消歧思想用于提示词、知识库结构和调用链设计。比如在请求模型前，先通过规则、向量检索或轻量分类器确定候选实体；再把实体类型、别名、上下文来源写入 prompt；最后让主模型完成推理和生成。这种方式有助于降低单次调用中的歧义，也能减少反复追问和重试带来的 token 成本。
对于 API 批量调用和多模型路由场景，实体消歧还可以成为质量评估指标之一。若某个模型在同名实体、跨语言名称、产品代号等任务上表现更稳定，就更适合用于知识库问答或企业检索场景；而对成本敏感的系统，则可以用较低成本模型先做候选类型判断，再调用更强模型完成最终回答。
总体来看，这项工作展示了 OpenAI 在文本理解层面对“词语到底指向什么”的探索。虽然来源发布于 2018 年，但其思路仍与当前 AI 应用开发密切相关：高质量模型调用不仅是选择一个 API，更是围绕数据、实体、上下文和成本构建完整链路。