在低资源领域中，少样本（Few-Shot）场景下的命名实体识别（Named Entity Recognition, NER）具有重要意义。现有方法通常仅从源域中学习特定类别的语义特征和中间表示，这限制了其在未见目标域上的泛化能力，导致性能表现不佳。为此，本文提出一种新颖的对比学习方法——CONTaiNER，该方法通过优化令牌间分布距离来提升少样本NER的性能。与以往专注于优化类别特定属性的方法不同，CONTaiNER采用一种更具普适性的目标：基于令牌嵌入的高斯分布特性，有效区分不同类型的令牌。这一机制显著缓解了因训练域数据局限而导致的过拟合问题。在多个传统测试数据集（OntoNotes、CoNLL'03、WNUT '17、GUM）以及一个新构建的大规模少样本NER数据集（Few-NERD）上的实验结果表明，CONTaiNER在平均性能上相较先前方法提升了3%至13%的绝对F1分数，且在各类挑战性场景下均表现出稳定一致的性能，即使在以往方法难以取得显著效果的条件下亦能保持优异表现。