本文研究了适用于自然语言处理（NLP）任务的可微分神经架构搜索（Differentiable Neural Architecture Search, NAS）方法。具体而言，我们通过移除softmax局部约束（softmax-local constraint）对可微分架构搜索进行了改进。此外，我们将可微分NAS首次应用于命名实体识别（Named Entity Recognition, NER）任务，这是该方法在语言建模之外的NLP任务中的首次应用。在PTB语言建模和CoNLL-2003英文NER数据集上的实验结果表明，所提出的方法显著优于多个强基准模型，并在NER任务上取得了新的最先进性能（state-of-the-art）。