这个问题可能是由以下原因导致的：

1. 模型训练数据：spaCy的预训练模型是在特定的数据集上进行训练的。如果某些实体或术语在训练数据中没有充分表示，模型可能无法将它们识别为实体。
2. 模型局限性：每个模型都有其局限性。预训练模型可能并不总是能准确地捕捉到所有实体。
3. 语言模型：实体识别性能在不同的语言模型之间可能会有所不同。例如，es_core_news_lg和it_core_news_lg模型分别针对西班牙语和意大利语进行了专门的训练。如果你试图提取的实体是特定领域的或者是不太常见的，这些模型可能表现不佳。
   要解决这个问题，你可以尝试以下步骤，并告诉我是否有效：
4. 自定义训练：使用你的具体数据集训练一个自定义的命名实体识别(NER)模型。
5. 数据增强：如果你有一个小的数据集，可以考虑用更多的示例来扩充它，或者使用迁移学习。
6. 实体规则：使用spaCy的EntityRuler来添加基于规则的实体提取。
7. 模型评估和微调：评估不同spaCy模型的性能，并对它们进行微调以更好地满足你的需求。
   示例代码：

import spacy
from spacy.pipeline import EntityRuler

# Load the spaCy model
nlp = spacy.load("es_core_news_lg")  # or "it_core_news_lg"

# Create an EntityRuler and add patterns
ruler = EntityRuler(nlp, overwrite_ents=True)
patterns = [
    {"label": "ORG", "pattern": "OpenAI"},
    {"label": "PRODUCT", "pattern": "ChatGPT"},
    # Add more patterns as needed
]
ruler.add_patterns(patterns)

# Add the ruler to the pipeline
nlp.add_pipe(ruler, before="ner")

# Process a text
doc = nlp("OpenAI has developed ChatGPT.")

# Print the entities
for ent in doc.ents:
    print(ent.text, ent.label_)

希望这对你有所帮助，谢谢！