國際法為國家間協調行動、規範武裝衝突和保護人權提供規範框架，但這些文本一直缺少詞元級命名實體識別資源。針對這一空白，Genis Skura、Roland Bouffanais 和 Didier Wernli 提出 IntLawNER，一個面向國際法成文來源的 NER 數據集與評測基準。該論文於 2026 年 9 月 18 日提交至 arXiv，編號 arXiv:2609.22529，歸類於 cs.AI 與 cs.IR。
IntLawNER 的數據來自三類具有代表性的國際法文本：國際法院（ICJ）判決、聯合國安全理事會決議以及歐洲人權法院（ECtHR）判決。數據集包含 2,987 條經過金標註的句子和 8,094 個實體跨度，並採用七種與機構功能相關的實體類型進行標註。作者強調，這些資源旨在支持國際法律文本中的引用抽取和可複用研究。
為控制標註成本，研究團隊設計了一條混合算法—智能體流水線：先從約 46.8 萬條源句子中進行候選檢索，再由大語言模型進行審核篩選，最後交由人工複核。該流程把原始語料壓縮為緊湊的標註集合，並顯示 89.6% 的金標實體跨度無需修改即可從銀標層沿用。
論文進一步分析銀標到金標的轉換，指出在領域專用 NER 中，人機聚合一致性指標可能產生誤導。具體而言，在僅考慮邊界匹配的跨度時，Cohen's kappa 達到 0.964；但一旦把漏標實體、邊界錯誤和標籤修正納入評估，macro-F1 降為 0.753。作者認為，這一差距説明單看一致性分數可能高估標註與模型的實際質量。
基準測試揭示了現有方法的明顯短板。零樣本、基於跨度的 GLiNER 在那些取決於機構功能而非表面形式的實體類型上表現急劇下降，micro-F1 僅為 0.243；經過微調的 Transformer 模型則在稀有標籤上遇到困難。與此同時，精心挑選並展示標籤對比的少樣本示例，能讓每個被測大語言模型都優於零樣本提示，其中 Claude Opus 4.6 取得最佳成績，micro-F1 達到 0.873。
作者將 IntLawNER 作為基準和可複用資源發佈，用於國際法律文本中的引用抽取。論文還提供了數據、代碼與相關鏈接，供社區復現和擴展。整體來看，這項工作既填補了國際法領域缺乏詞元級 NER 資源的空白，也提醒研究者在領域專用標註任務中謹慎解讀一致性指標。