La reconnaissance d'entités nommées (NER) dans un cadre à faibles exemples (few-shot) est essentielle pour l'étiquetage des entités dans des domaines à ressources limitées. Les approches existantes ne captent que des caractéristiques sémantiques spécifiques aux classes et des représentations intermédiaires provenant des domaines sources. Cela limite leur capacité à généraliser à des domaines cibles inconnus, entraînant des performances sous-optimales. À cet effet, nous proposons CONTaiNER, une nouvelle technique d'apprentissage contrastif qui optimise la distance entre les distributions inter-token pour la NER en faibles exemples. Contrairement à l'optimisation des attributs spécifiques aux classes, CONTaiNER vise un objectif généralisé visant à distinguer les catégories de tokens sur la base de leurs embeddings distribués selon une loi gaussienne. Cette approche atténue efficacement les problèmes de surajustement liés aux domaines d'entraînement. Nos expérimentations sur plusieurs domaines de test classiques (OntoNotes, CoNLL'03, WNUT'17, GUM) ainsi que sur un nouveau jeu de données à grande échelle pour la NER en faibles exemples (Few-NERD) montrent qu’en moyenne, CONTaiNER surpasser les méthodes antérieures de 3 à 13 points d’exactitude absolus en F1, tout en maintenant des performances cohérentes, même dans des scénarios difficiles où les approches précédentes n’ont pas pu atteindre des performances significatives.