一句话定义：条件随机场（Conditional Random Field，CRF）是一种判别式概率模型，它不孤立地给序列中每个位置打标签，而是给整条标签序列打分——分数由两部分组成：每个位置"本身像什么标签"，以及"相邻两个标签搭不搭"。
打个比方。给一句话做命名实体识别，就像给一队人发制服：从左到右逐个发，只看每个人的身材，很容易发出乱搭配——第 3 个人穿了校服上衣，第 4 个人却发了西装裤子。逐帧分类（每个词独立 softmax）就是这个毛病：它能算出"这个词像机构名的开头"概率很高，却不知道"开头"后面必须跟"中间/结尾"，不能直接跳回"外部"。CRF 相当于在发衣服时还回头看一眼前一个人穿了什么，把"搭配是否顺眼"也计入总分，最后整体挑一套最协调的方案。
形式上，给定输入序列 x，标签序列 y 的得分是各位置发射分数之和，加上相邻标签的转移分数之和，再对所有可能序列做归一化变成概率。训练时最大化正确序列的概率；预测时用维特比（Viterbi）动态规划一次性求出全局最优路径，而不是每个位置各挑各的最高分。那个转移分数矩阵通常全局共享，相当于一本"标签搭配手册"。
和邻居们比一比：
| 模型 | 建模对象 | 标签依赖 | 特点 | |
|---|---|---|---|---|
| 逐帧 AI 词典：Softmax">Softmax | P(y_t \ | x) | 无 | 简单快，可能产出非法序列 |
| 隐马尔可夫模型 HMM | P(x, y) | 有 | 生成式，需假设观测独立 | |
| CRF | P(y \ | x) | 有 | 判别式，可用任意重叠特征，全局归一化 |
| 生成式大模型 | P(文本 \ | 提示) | 由语言建模隐式给出 | 灵活，但结构约束要靠提示或解码限制 |
CRF 相对 HMM 的关键优势是判别式：不为输入建模，只关心"给定 x，哪个 y 更可能"，因此词形、前后缀、词典命中这类特征可以随便塞。
对从业者的意义。在 BiLSTM-CRF 流行的年代，CRF 几乎是序列标注的标配输出层，尤其在低资源、标签有硬约束（BIO 体系、分词、句法）的任务里，它保证输出合法、边界更稳。而它近年被 Transformer 系模型顶掉，原因有三：一是预训练编码器自带强上下文表示，逐 token 分类已经够准；二是一阶转移只管相邻两个标签，长距离依赖得靠注意力机制，CRF 补不上；三是维特比解码有额外开销，大模型微调时收益常常不抵成本。到了生成式范式，标注直接变成"让模型输出标签串"，约束交给提示词和受控解码。
但 CRF 的思路没有消失：结构化预测、转移约束解码、后处理纠错里都还留着它的影子。理解它，本质上是理解"局部最优不等于全局最优"这件事。
具体实现与最新用法请以官方文档和论文页面为准。