---
title: "¿Qué es el reconocimiento de entidades nombradas (NER)?"
description: "El NER encuentra nombres de personas, organizaciones y lugares en un texto. Cómo se etiqueta y evalúa, datasets en árabe y cómo hacerlo con un LLM."
url: https://broadrouter.com/es/glossary/named-entity-recognition/
lang: es
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/named-entity-recognition/) (actualizado el 2026-11-15).

# Reconocimiento de entidades nombradas (NER)

Actualizado 2026-11-15

El reconocimiento de entidades nombradas (NER) es la tarea de encontrar nombres en un texto y etiquetar cada uno con un tipo, como persona, organización o lugar. Los sistemas clásicos etiquetan cada token; a los LLMs, en cambio, se les suele pedir una lista de entidades en JSON, que luego se contrasta con el texto original.

También llamado: reconocimiento de entidades nombradas, extracción de entidades, entidades nombradas, reconocimiento de entidades, NER, named entity recognition, entity extraction, named entities

Extraiga cada persona, empresa y lugar de un contrato o de una noticia, con un tipo para cada uno. Eso es NER, y es uno de los trabajos más habituales que se encargan a un LLM.

## Cómo funciona

El benchmark clásico es la tarea compartida CoNLL-2003. Usó noticias de Reuters en inglés y textos del Frankfurter Rundschau en alemán, cuatro tipos (PER para personas, ORG, LOC y MISC para “names of miscellaneous entities that do not belong to the previous three groups” (traducción: nombres de entidades diversas que no pertenecen a los tres grupos anteriores)) y etiquetas IOB: cada palabra es B- o I- de un tipo, u O si queda fuera. La puntuación es F1 sobre entidades, y una entidad solo cuenta si coincide exactamente con la referencia.

Un ejemplo en árabe en formato IOB:

| Token | Etiqueta |
| --- | --- |
| زار | O |
| خالد | B-PER |
| العتيبي | I-PER |
| مدينة | O |
| الرياض | B-LOC |

(“Khalid Al-Otaibi visitó la ciudad de Riad.”)

El árabe tiene sus propios datasets. ANERcorp, creado por Yassine Benajiba y referencia estándar desde 2008, es texto de agencias de noticias; la partición acordada de CAMeL Lab tiene 125,102 palabras de entrenamiento y 25,008 de prueba bajo CC BY-SA 4.0. Wojood (Jarrar et al., 2022) tiene unos 550 000 tokens de texto en MSA y dialecto, 21 tipos de entidad y unas 75 000 entidades, el 22.5 % de ellas anidadas. Su modelo basado en AraBERT obtuvo 0.884 de micro F1.

Con un LLM, el planteamiento habitual es distinto: pedir una lista, no una etiqueta por token.

```json
{"entities": [
  {"text": "خالد العتيبي", "type": "PERSON"},
  {"text": "الرياض", "type": "LOCATION"}
]}
```

## Por qué importa

El NER alimenta filtros de búsqueda, registros de CRM, la anonimización de [PII](https://broadrouter.com/es/glossary/pii/) y grafos de conocimiento. Con un LLM, los riesgos principales son:

-   **Entidades inventadas o editadas.** Un modelo puede devolver un nombre que no está en el texto o “corregir” su ortografía. Compruebe que cada entidad aparece en el original, tras aplicar [normalización de texto árabe](https://broadrouter.com/es/glossary/arabic-text-normalization/) a ambos lados. Es una forma de control de [alucinación](https://broadrouter.com/es/glossary/hallucination/).
-   **Deriva de etiquetas.** Fije la lista de tipos en un esquema para que el modelo no pueda inventar un tipo nuevo.
-   **Los benchmarks no son sus datos.** Las etiquetas públicas rara vez coinciden con las suyas. Etiquete a mano una muestra y mida precisión, recall y F1, como en cualquier [evaluación](https://broadrouter.com/es/glossary/eval/).

## En BroadNet Inference

BroadNet no tiene un endpoint de NER; usted lo construye sobre POST /v1/chat/completions. La referencia de la API de BroadNet documenta la [salida estructurada](https://broadrouter.com/es/glossary/structured-output/) para [GLM 5.3](https://broadrouter.com/es/models/glm-5.3/) y [Qwen3.8 27B](https://broadrouter.com/es/models/qwen3.8-27b/), que es la forma de ceñir el modelo a una lista de entidades y a un conjunto fijo de tipos. Para documentos que llegan como imágenes, Qwen3.8 27B también acepta entrada de imagen.

BroadNet no publica ningún benchmark de NER para sus modelos. El [artículo sobre extracción de entidades nombradas en árabe](https://broadrouter.com/es/blog/arabic-named-entity-extraction-llm/) incluye un prompt, comprobaciones de fragmentos que ignoran los diacríticos, manejo de fechas hégira y un script de puntuación para ejecutar con su propia muestra.

## Preguntas frecuentes

### ¿Qué diferencia hay entre NER y extracción de entidades?

En investigación, NER suele significar etiquetar cada token. La extracción de entidades suele significar devolver una lista de entidades, que es como lo plantean la mayoría de los pipelines con LLM. Evalúe el planteamiento que realmente pone en producción.

### ¿Por qué una entidad que devolvió el modelo no coincide con mi texto en árabe?

A menudo el modelo cambió una hamza, quitó el tatweel o añadió diacríticos al copiar. Normalice tanto la entidad como el texto original antes de comprobar que aparece.

### ¿Qué es el NER anidado?

Entidades dentro de otras entidades, como una ciudad dentro del nombre de una organización. Wojood las anota; el 22.5 % de sus entidades están anidadas.

## Vea también

-   [Salida estructurada (structured output)](https://broadrouter.com/es/glossary/structured-output/) (término)
-   [JSON Schema (esquema JSON)](https://broadrouter.com/es/glossary/json-schema/) (término)
-   [Normalización de texto árabe](https://broadrouter.com/es/glossary/arabic-text-normalization/) (término)
-   [PII (información de identificación personal)](https://broadrouter.com/es/glossary/pii/) (término)
-   [Evaluación de LLM (eval)](https://broadrouter.com/es/glossary/eval/) (término)
-   [Alucinación (hallucination)](https://broadrouter.com/es/glossary/hallucination/) (término)
-   [Extracción de entidades nombradas en árabe con un LLM: JSON y fechas](https://broadrouter.com/es/blog/arabic-named-entity-extraction-llm/) (artículo)
-   [Clasificar texto en árabe con un LLM: sentimiento, intención, triaje](https://broadrouter.com/es/blog/arabic-text-classification-llm/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-named-entity-recognition&utm_content=page-cta) ·

**Fuentes**

-   [Tjong Kim Sang y De Meulder, Introduction to the CoNLL-2003 Shared Task: Language-Independent Named Entity Recognition (CoNLL 2003, ACL Anthology) (consultado el 2026-11-15)](https://aclanthology.org/W03-0419/)
-   [Tjong Kim Sang y De Meulder, artículo de CoNLL-2003, texto completo (arXiv cs/0306050, HTML en ar5iv) (consultado el 2026-11-15)](https://ar5iv.labs.arxiv.org/html/cs/0306050)
-   [CAMeL Lab, página de descarga de la partición de entrenamiento y prueba de ANERcorp (consultado el 2026-11-15)](https://camel.abudhabi.nyu.edu/anercorp)
-   [Jarrar, Khalilia y Ghanem, Wojood: Nested Arabic Named Entity Corpus and Recognition using BERT (LREC 2022, ACL Anthology) (consultado el 2026-11-15)](https://aclanthology.org/2022.lrec-1.387/)
