Команда Fastino представила GLiNER2.5 — обновление архитектуры для извлечения именованных сущностей (NER), которое заменяет дорогостоящий перебор возможных фрагментов текста прямым предсказанием границ. Три чекпоинта на 74M, 194M и 287M параметров уже доступны на Hugging Face под лицензией Apache 2.0 и могут работать локально на CPU, CUDA или MPS.
Что изменилось в архитектуре
Предыдущие версии GLiNER работали по принципу перечисления: для каждой стартовой позиции модель перебирала все возможные длины фрагмента и оценивала каждый кандидат. Это накладывало жёсткое ограничение на максимальную ширину сущности, а вычислительная сложность росла пропорционально количеству вариантов.
GLiNER2.5 устраняет этот этап. Кодировщик обрабатывает текст и запросы схемы за один проход. Вместо оценки каждого фрагмента модель предсказывает начальные и конечные баллы для токенов, а также внутренние баллы. Затем разреженный этап предложения отбирает наиболее вероятные стартовые и конечные позиции для каждого типа сущности и объединяет их без ограничения по расстоянию. Финальный этап ранжирования оценивает каждый кандидат, используя как граничные признаки, так и содержимое фрагмента.
Ключевые факты
| Параметр | Значение |
|---|---|
| Контекстное окно | 4096 токенов |
| Размеры чекпоинтов | 74M, 194M, 287M параметров |
| Лицензия | Apache 2.0 |
| Средний макро F1 (16 датасетов) | 17 (мультиязычная версия) |
| Установка | pip install “gliner2[local]” (Python 3.10+) |
Совместное извлечение сущностей и связей
Архитектура GLiNER2.5 поддерживает совместное декодирование сущностей и связей между ними. Кандидаты для связей извлекаются из того же пула границ, что и сущности, без отдельного этапа перечисления. Это позволяет модели одновременно идентифицировать объекты и их отношения без дополнительных вычислительных затрат.
Также добавлены атрибуты фрагментов — возможность помечать дополнительные метаданные для каждой сущности, и классификация с ограничениями, когда определённые комбинации меток исключаются на этапе предсказания.
Результаты на бенчмарках
Команда Fastino протестировала модель на 16 публичных датасетах в режиме zero-shot. Средний макро F1 для мультиязычной версии GLiNER2.5 составил 56.17 против 56.09 у GLiNER2 Multi. Базовая версия показала 54.87 против 53.34.
Наиболее заметное улучшение — датасет XNLI, где мультиязычная модель поднялась с 37.55 до 62.30 (прирост 24.75 пункта). Few-NERD улучшился с 47.22 до 55.14 для базовой версии. Румынский RONEC, язык, не входивший в обучающую выборку, также показал улучшение для обеих версий.
Развёртывание и доступность
Чекпоинты доступны на Hugging Face. Для локального запуска требуется Python 3.10 и команда pip install “gliner2[local]”. API изменился: вместо загрузчика GLiNER2 используется AutoExtractor. На момент публикации ни один облачный провайдер не предлагает инференс GLiNER2.5, поэтому текущий путь развёртывания — самостоятельный хостинг.
Почему это важно для разработчиков
GLiNER2.5 решает практическую проблему: выбор между быстрыми, но жёсткими энкодерными моделями и гибкими, но дорогими LLM. Новая архитектура сохраняет скорость небольших моделей, снимая при этом ограничение на длину сущности и добавляя поддержку отношений. Для разработчиков, которые встраивают NER в пайплайны обработки документов, это означает возможность обрабатывать более длинные тексты без потери точности на редких или длинных сущностях.
Источник: MarkTechPost — Fastino Releases GLiNER2.5: A Boundary-Prediction Architecture That Removes Span Enumeration From Information Extraction (https://www.marktechpost.com/2026/08/24/fastino-releases-gliner2-5-a-boundary-prediction-architecture-that-removes-span-enumeration-from-information-extraction/)