El Reconocimiento de Entidades Nombradas (NER) es una tarea fundamental en el procesamiento del lenguaje natural que tiene como objetivo identificar y categorizar entidades nombradas dentro de un texto no estructurado. En los últimos años, con el desarrollo de técnicas de aprendizaje profundo, los modelos de lenguaje pre-entrenados han sido ampliamente utilizados en tareas de NER. Sin embargo, estos modelos aún enfrentan limitaciones en cuanto a su escalabilidad y adaptabilidad, especialmente al tratar fenómenos lingüísticos complejos como entidades anidadas y dependencias de largo alcance. Para abordar estos desafíos, proponemos el modelo MacBERT-BiGRU-Self Attention-Global Pointer (MB-GAP), que integra MacBERT para un profundo entendimiento semántico, BiGRU para información contextual rica, auto-atención para enfocarse en partes relevantes de la entrada, y un mecanismo de puntero global para una detección precisa de los límites de las entidades. Al optimizar el número de cabezas de atención y cabezas de puntero global, nuestro modelo logra un equilibrio efectivo entre complejidad y rendimiento. Experimentos extensos en conjuntos de datos de referencia, incluidos ResumeNER, CLUENER2020 y SCHOLAT-School, demuestran mejoras significativas sobre los modelos base.