Wann Sie GLiNER 2.5 verwenden sollten
Verwenden Sie GLiNER2.5 Multi, wenn Extraktion oder mehrsprachige Abdeckung im Mittelpunkt stehen:- Entitätsextraktion - Extrahieren Sie Personen, Organisationen, Produkte, Orte oder domänenspezifische Entitäten (Medikamente, Dosierungen, Klauseln) aus Freitext, inklusive Zeichen-Offsets und Konfidenzwerten.
- Strukturierte Datensätze - Verwandeln Sie „Alice bought apples and Bob bought oranges” in
[{"buyer": "Alice", "item": "apples"}, {"buyer": "Bob", "item": "oranges"}], wobei die Felder jeder Instanz miteinander verknüpft bleiben. - Relations- und Wissensgraph-Extraktion - Extrahieren Sie typisierte Entitäts-Relations-Graphen (
works_for,located_in) für Agenten-Speicher oder eine Wissensdatenbank. - Span-Attribute - Versehen Sie jede extrahierte Entität im selben Durchlauf wie die Extraktion mit einem Attribut, etwa dem Sentiment pro Person.
- Lange Dokumente - Verarbeiten Sie einen kodierten Kontext von bis zu 4.096 Tokens, mit Chunking und Offset-Neuzuordnung für längere Dokumente.
- Mehrere Aufgaben gleichzeitig - Kombinieren Sie Entitäten, Klassifikation, Strukturen und Relationen in einem einzigen schema-gebundenen Aufruf, statt mehrere Modellanfragen zu verketten.
- Konsistente Ergebnisse - Verwenden Sie eingeschränkte Klassifikation oder gemeinsame Entitäten-Relations-Dekodierung, wenn Labels und Relationsendpunkte übereinstimmen müssen.
So verwenden Sie GLiNER 2.5
Rufen Sie den mehrsprachigen Checkpoint über den OpenAI-kompatiblen Inferenz-Endpunkt von Fastino auf. Geben Sie den Text in einer User-Nachricht an und beschreiben Sie die Aufgabe inschema:
schema die Schlüssel classifications, structures oder relations hinzu, um mehrere Aufgaben in einem Aufruf über denselben Text auszuführen. In der Referenz zur Inferenz-API finden Sie den vollständigen Request- und Response-Vertrag, einschließlich strukturierter Datensätze und Relationsschemas.
Eingeschränkte Klassifikation mit GLiNER2.5 Multi
Verwenden Sie eingeschränkte Klassifikation, wenn mehrere Antworten gemeinsam eine gültige Entscheidung ergeben müssen. Anders als klassischeclassifications, die jede Aufgabe unabhängig auswählen, sucht der eingeschränkte Decoder nach einer gemeinsamen Zuweisung, die die deklarierten Regeln erfüllt.
GLiNER2.5 Multi unterstützt drei Aufgabenformen:
Jede Aufgabe kann Antwortbeschreibungen, eine Anweisung und gelabelte Beispiele enthalten. Diese Felder geben dem Encoder Kontext für die Bewertung, während die Ausgabe auf die deklarierten Antworten beschränkt bleibt.
Constraints verknüpfen diese Aufgabenergebnisse:
Das Ergebnis enthält für jede Aufgabe die ausgewählte Antwort, die Antwortwahrscheinlichkeiten, die Konfidenz und
_meta.feasible. Constraints können eine weniger wahrscheinliche Antwort auswählen, wenn die unabhängig besten Antworten gegen eine Regel verstoßen würden. Sie erzwingen Konsistenz. Sie erhöhen oder rekalibrieren weder Wahrscheinlichkeiten noch Konfidenz.
Bei Aufgaben mit einzelner Antwort und ordinalen Aufgaben ist die Konfidenz die Wahrscheinlichkeit der ausgewählten Antwort. Bei Aufgaben mit mehreren Antworten ist sie das geometrische Mittel aus der Wahrscheinlichkeit jeder ausgewählten Antwort und dem Komplement jeder nicht ausgewählten Antwort (1 - probability). Ein leeres Ergebnis bei mehreren Antworten ohne Standardwert hat keinen Konfidenzwert.
Im API-Beispiel zur eingeschränkten Klassifikation finden Sie die vollständige gehostete Anfrage, die unterstützten Schemafelder, Constraints und die Antwort.
GLiNER2.5 erkunden
Lesen Sie über die Architektur, Benchmarks und Anwendungsfälle.
GLiNER-2.5-Decide
Verwenden Sie das für englische Klassifikation optimierte Modell für operative Entscheidungen.
Modellkatalog ansehen
Durchsuchen Sie Fastino-Modelle und ihre Modell-IDs.
Referenz zur Inferenz-API
Vollständiger Request- und Response-Vertrag, einschließlich strukturierter Datensätze und Relationen.