Recette : Extraire des entités d'un texte multilingue

L’extraction d’entités est la charge de travail la plus courante de GLiNER 2.5 Multi. Vous nommez en anglais les libellés souhaités, envoyez un texte dans n’importe quelle langue prise en charge et récupérez chaque correspondance avec ses positions exactes en caractères. Aucun entraînement n’est nécessaire.

Requête

Le texte ci-dessous est en allemand. Les libellés restent en anglais.

curl -X POST https://api.fastino.ai/v1/chat/completions \
  -H "Authorization: Bearer $FASTINO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "fastino/gliner2.5-multi-v1",
  "messages": [
    {
      "role": "user",
      "content": "Dr. María Fernández, Finanzvorständin der Banco Santander, traf sich am 3. März 2026 in München mit Siemens, um den Liefervertrag zu unterzeichnen."
    }
  ],
  "schema": {
    "entities": [
      {
        "name": "person",
        "description": "full name of a person"
      },
      {
        "name": "organization",
        "description": "company, bank, or institution"
      },
      {
        "name": "location",
        "description": "city, region, or country"
      },
      {
        "name": "date",
        "description": "calendar date"
      }
    ]
  },
  "threshold": 0.5,
  "store": false
}'

Schéma de la requête

Champ	Type	Dans cette recette
`model`	string	`fastino/gliner2.5-multi-v1`.
`messages`	array	Un message `user` contenant le texte à analyser.
`schema.entities`	array	Un objet par libellé. `name` est la clé dans le résultat ; `description` indique à GLiNER ce qui doit être retenu.
`threshold`	number	Confiance minimale pour qu’une correspondance soit renvoyée, de 0 à 1. Valeur par défaut : `0.5`.
`store`	boolean	Vaut `true` par défaut, ce qui enregistre l’inférence. `false` permet de s’y soustraire.

Réponse

GLiNER renvoie le résultat sous forme de chaîne JSON dans choices[0].message.content. Une fois analysé, il se présente ainsi. Mesuré sur https://api.fastino.ai ; les valeurs de confiance varient légèrement d’un appel à l’autre.

{
  "entities": {
    "person": [
      {
        "text": "María Fernández",
        "confidence": 0.949,
        "start": 4,
        "end": 19
      }
    ],
    "organization": [
      {
        "text": "Banco Santander",
        "confidence": 0.996,
        "start": 42,
        "end": 57
      },
      {
        "text": "Siemens",
        "confidence": 0.992,
        "start": 100,
        "end": 107
      }
    ],
    "location": [
      {
        "text": "München",
        "confidence": 1.0,
        "start": 88,
        "end": 95
      }
    ],
    "date": [
      {
        "text": "3. März 2026",
        "confidence": 0.996,
        "start": 72,
        "end": 84
      }
    ]
  }
}

Schéma de la réponse

Champ	Type	Signification
`entities`	object	Une clé par libellé demandé.
`entities.<label>[].text`	string	Le texte trouvé, exactement tel qu’il figure dans l’entrée.
`entities.<label>[].confidence`	number	Confiance de la correspondance, de 0 à 1.
`entities.<label>[].start`, `end`	integer	Positions en caractères dans l’entrée, fin exclue.

Exploiter la réponse

import json
import os
import requests

response = requests.post(
    "https://api.fastino.ai/v1/chat/completions",
    headers={"Authorization": f"Bearer {os.environ['FASTINO_API_KEY']}"},
    json=body,  # the request body above
    timeout=300,
)
response.raise_for_status()
result = json.loads(response.json()["choices"][0]["message"]["content"])

text = body["messages"][0]["content"]
for label, matches in result["entities"].items():
    for match in matches:
        assert text[match["start"]:match["end"]] == match["text"]
        print(f"{label:<12} {match['text']}  ({match['confidence']:.2f})")

Les positions renvoient à votre texte d’origine : vous pouvez donc surligner ou masquer les correspondances sur place.

L’adapter

Rédigez des descriptions qui distinguent les libellés proches, comme company et government agency. Un libellé vague comme product peut attirer des quasi-correspondances, par exemple des noms de contrats.
Augmentez threshold pour gagner en précision, ou diminuez-le pour gagner en rappel. Ajustez-le sur un échantillon annoté.
Gardez des noms de libellés stables. Le code en aval les lit comme des clés.
Besoin d’enregistrements fixes plutôt que de segments isolés ? Utilisez schema.structures.

Appeler GLiNER

Chaque type de schéma GLiNER et la façon de lire son résultat.

Référence de l'API Chat Completions

Chaque champ, limite et erreur de POST /v1/chat/completions.

Démarrage

Modèles de décision

Entités et classification

API d'inférence

API d'entraînement

Dépannage

Intégrations SDK

Modèles

Compte

Recette : Extraire des entités d'un texte multilingue

Requête

Schéma de la requête

Réponse

Schéma de la réponse

Exploiter la réponse

L’adapter

Appeler GLiNER

Référence de l'API Chat Completions

​Requête

​Schéma de la requête

​Réponse

​Schéma de la réponse

​Exploiter la réponse

​L’adapter

Appeler GLiNER

Référence de l'API Chat Completions

Requête

Schéma de la requête

Réponse

Schéma de la réponse

Exploiter la réponse

L’adapter