Neuronale Named-Entity-Erkennungsmodelle (NER) können leicht das Problem der Überkonfidenz begegnen, was die Leistung und Kalibrierung verschlechtert. Inspiriert durch Label-Smoothing und angetrieben durch die Ambiguität der Randannotierung in der NER-Ingenieurwelt, schlagen wir Boundary-Smoothing als Regularisierungstechnik für span-basierte neuronale NER-Modelle vor. Diese Methode verteilt die Wahrscheinlichkeiten von Entitäten von annotierten Spannen auf die umliegenden. Auf einem einfachen, aber starken Baseline-Modell aufbauend, erreicht unser Modell bessere oder vergleichbare Ergebnisse mit den bisher besten Systemen auf acht bekannten NER-Benchmarks. Eine weitere empirische Analyse zeigt, dass Boundary-Smoothing die Überkonfidenz effektiv mindert, die Modellkalibrierung verbessert und flachere neuronale Minima sowie glattere Verlustlandschaften erzeugt.