في الآونة الأخيرة، أثبتت بنية الشبكة المكونة من الأحرف والكلمات (character-word lattice) فعاليتها في التعرف على الكيانات المعرفة بالصينية (NER) من خلال دمج معلومات الكلمات. ومع ذلك، نظرًا لتعقيد البنية الشبكية وديناميكيتها، فإن معظم النماذج القائمة على الشبكة الحالية تواجه صعوبة في الاستفادة الكاملة من القدرة الحسابية الموازية لوحدات معالجة الرسومات (GPU)، وغالبًا ما تكون سرعة الاستنتاج فيها منخفضة. في هذه الورقة، نقترح نموذج FLAT: Flat-LAttice Transformer للتعامل مع التعرف على الكيانات المعرفة بالصينية، والذي يحول البنية الشبكية إلى بنية مسطحة مكوّنة من فترات (spans). كل فترة تمثل حرفًا أو كلمة محتملة، وتملك موقعها في الشبكة الأصلية. وبفضل قوة نموذج التحويل (Transformer) والتشفير المكاني المُصمم بعناية، يمكن لـ FLAT الاستفادة الكاملة من المعلومات الشبكية، ويتميز بقدرة ممتازة على التوازي. أظهرت التجارب على أربع مجموعات بيانات أن FLAT يتفوق على النماذج القائمة على القاموس من حيث الأداء والكفاءة.