本文提出 STINER，一个面向社交媒体（特别是 X/Twitter）的战略级网络威胁情报（CTI）自动提取框架。战略 CTI 关注高级别洞察，如识别受攻击行业、将攻击归因于特定勒索软件组织、评估数据泄露规模等。X 平台往往在官方报告发布前数天就出现实时泄露公告，是获取此类情报的最快来源，但其非正式且高度不规则的社交媒体语言使得传统命名实体识别（NER）模型难以准确解析，形成自动化防御系统的盲区。为解决此问题，作者构建了一个专家标注的高质量语料库，包含 2,100 条真实告警，并设计了一个包含 8 种实体类型（如威胁行为者、行业、地点等）的细粒度分类体系。他们针对 12 种配置评估了 9 个模型，涵盖通用与领域自适应编码器、开放模式提取以及零样本和微调设置下的生成式大语言模型（LLM）。实验结果显示，领域自适应编码器（如 DarkBERT）取得了 89.33% 的严格 F1 分数，优于通用基线以及微调后的 LLM，且 LLM 推理延迟显著更高。基于 STINER-DarkBERT，作者进行了 2025 年上半年的欧洲威胁态势分析，结果与官方关于主要目标的报告相符，同时突出了西班牙攻击的独特可见性，并展示了社交媒体驱动提取如何能提前发现 SafePay 勒索软件活动的早期信号，而无需等待厂商威胁态势报告的追溯性描述。该研究适合网络安全防御者、威胁情报分析师以及自然语言处理研究人员阅读，有助于理解如何从非结构化社交媒体数据中高效提取战略级情报。