命名实体识别（Named Entity Recognition, NER）是指在句子中识别出表示实体的文本片段。根据实体片段是否嵌套或不连续，NER任务可进一步分为平铺式NER（flat NER）、嵌套NER（nested NER）和不连续NER（discontinuous NER）三个子任务。目前，这些子任务主要通过基于词元级别的序列标注或基于片段级别的分类方法来解决。然而，这些方法难以同时有效处理三种类型的NER任务。为此，我们提出将NER子任务统一建模为实体片段序列生成任务，该任务可通过统一的序列到序列（Seq2Seq）框架进行求解。基于这一统一框架，我们能够利用预训练的Seq2Seq模型，无需设计特殊的标注方案或复杂的片段枚举策略，即可同时解决上述三类NER任务。为此，我们引入三种不同类型的实体表示方式，将实体线性化为序列形式。所提出的框架实现简便，且在八个英文NER数据集上取得了当前最优（SoTA）或接近最优的性能表现，涵盖两个平铺式NER数据集、三个嵌套NER数据集以及三个不连续NER数据集。