本研究探讨了基于Transformer的模型在命名实体识别任务中的表现。研究重点分析了三种数据表示策略：单句（single）、合并（merged）与上下文（context）策略，分别对应使用单个句子、多个句子以及通过注意力机制将句子与上下文信息融合后的向量表示。分析表明，仅采用单一策略进行模型训练可能导致在不同数据表示形式下表现不佳。为克服这一局限，本研究提出一种融合训练方法，综合运用上述三种策略，以提升模型的稳定性与适应性。研究结果针对英语、波兰语、捷克语和德语四种语言，在多个数据集上进行了展示与讨论，验证了融合策略在命名实体识别任务中的有效性。