Fastino 正式推出 GLiNER2.5，这是一款旨在缩小传统编码器模型与大型语言模型（LLM）之间差距的信息提取（IE）架构。通过用边界预测（Boundary Prediction）取代传统的跨度枚举（Span Enumeration），GLiNER2.5 移除了实体宽度的计算瓶颈，支持长达 4,096 词的上下文，并实现了联合实体-关系解码及跨任务标签约束。该系列包含三个参数规模（74M、194M、287M）的检查点，均以 Apache 2.0 许可证在 Hugging Face 上开源。
- GitHub：https://github.com/fastino-ai/GLiNER2
- 模型：https://huggingface.co/collections/fastino/gliner25-models
核心架构变革：从枚举到预测
传统的 GLiNER 模型通过对“起始位置 × 允许宽度”的网格进行评分来定位实体，这导致计算量随最大实体宽度增加而膨胀，且对长实体存在硬性上限。
GLiNER2.5 的创新在于：
- 移除枚举：模型不再对每个候选跨度评分，而是直接预测 Token 边界的开始和结束分数，以及 Token 内部的内部分数。
- 稀疏提议与重排序：通过稀疏提议阶段选出最有希望的起止点进行配对，再由重排序头结合边界证据和跨度内容进行最终评分。
- 线性计算复杂度：在固定模式和候选预算下，计算量保持与序列长度呈线性关系，而非受限于宽度轴。
五大关键能力提升
| 能力 | 描述 |
|---|---|
| 长上下文提取 | 支持长达 4,096 词的序列处理。内置原生分块辅助函数（如 extract_entities_long），自动将跨度重新映射回原始文档的字符偏移量。 |
| 无限跨度长度 | 实体长度不再受限。无论是两词的名称还是四十词的法律条款，其定位成本相同，彻底解决了长实体漏检问题。 |
| 联合实体-关系解码 | 支持声明实体类型、关系及结构规则（如 unique_head=True）。通过束搜索组装全局一致的图，确保输出在构造上即符合逻辑约束，无需后处理验证。 |
| 约束分类 | 引入 C.implies 和 C.excludes 规则，在解码期间绑定跨任务标签。例如，防止一个提示词同时被标记为“安全”和“注入”，若无法找到有效分配则抛出错误。 |
| 跨度属性 | 支持为特定实体类型附加属性组（如情感、剂量等），并在同一次前向传播中逐跨度解码，返回带有修饰信息的结构化实体而非扁平文本。 |
模型家族与性能表现
GLiNER2.5 提供了三个不同规模的检查点，均基于 DeBERTa-v3 架构，可在 CPU 上高效运行。
| 模型 | 参数量 | 编码器 | 语言支持 | 适用场景 |
|---|---|---|---|---|
| gliner2.5-small-v1 | 74M | DeBERTa-v3-xsmall | 英语 | 轻量级部署，低资源环境 |
| gliner2.5-base-v1 | 194M | DeBERTa-v3-base | 英语 | 平衡性能与速度，通用提取 |
| gliner2.5-multi-v1 | 287M | mDeBERTa-v3-base | 多语言 | 跨国业务，多语言文档处理 |
基准测试亮点（零样本评估）：
- 整体宏 F1：Multi 版本达到 56.17（GLiNER2 为 56.09），Base 版本达到 54.87（GLiNER2 为 53.34）。
- 显著跃升：在 XNLI 数据集上，Multi 版本得分从 37.55 飙升至 62.30（+24.75 分）；在 Few-NERD 上，Base 版本从 47.22 提升至 55.14。
- 泛化能力：即使在未经训练的罗马尼亚语（RONEC）数据集中，性能亦有提升。
部署与应用
- 安装：
pip install "gliner2[local]"（需 Python 3.10+）。 - 推理：支持 CPU、CUDA 和 MPS。由于暂无托管服务，自托管是主要部署路径。
- API 变更：使用
AutoExtractor加载模型，替代旧版的GLiNER2跨度加载器。
典型应用场景：
- 法律与合规：合同条款提取、PII 检测与编辑。
- 医疗健康：临床文档中的实体提取（含否定与剂量属性）。
- 金融与保险：理赔单据结构化、风险条款识别。
- AI 安全：作为护栏模型，检测提示注入或敏感内容。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
