近年来，关于少样本命名实体识别（Few-Shot Named Entity Recognition, NER）的研究文献不断增多，但针对实际且具有挑战性的任务，公开发表的基准数据集却极为有限。当前大多数方法通常采用现有的监督式NER数据集，将其重新组织为少样本设置以开展实证研究。这类方法传统上旨在利用少量样本识别粗粒度的实体类型，然而在实际应用中，大多数未见实体类型往往属于细粒度类别。为此，本文提出了Few-NERD，一个大规模人工标注的少样本NER数据集，其包含8个粗粒度和66个细粒度的实体类型层级结构。Few-NERD共包含来自维基百科的188,238条句子，总计4,601,160个词，每条语句均被标注为上下文信息或两个层级实体类型的组成部分。据我们所知，Few-NERD是首个专门面向少样本NER任务的数据集，同时也是目前规模最大的人工构建NER数据集。我们设计了多种侧重不同的基准任务，以全面评估模型的泛化能力。大量实验结果与深入分析表明，Few-NERD具有较高的挑战性，该问题仍需进一步研究。我们已将Few-NERD公开发布，访问地址为：https://ningding97.github.io/fewnerd/。