GLiNER2.5 Multi

GLiNER2.5 Multi

用一个多语言模型从文本中提取实体、标签、结构化记录和关系。这是 fastino 的 287M 参数提取器，可在 CPU、CUDA 或 MPS 上本地运行，适合构建文本流水线的开发者。

由 fastino 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：GLiNER2.5 Multi 是 fastino 推出的 2.87 亿参数模型，用来从文本中提取结构化信息。一个检查点就能处理实体、文本分类、结构化记录、关系和片段属性，它是这个系列里的多语言版本。它的编码器是 mDeBERTa-v3-base，模型卡把这种设计称为边界架构。

适合谁：适合需要把原始文本变成带标签数据、又更愿意在本地运行模型而不是调用托管服务的开发者。模型权重采用 Apache 2.0 许可证。

Industry | Who uses it | How they use it | Example
数据工程 | 流水线构建者 | 从文本中提取公司、人物、产品和地点的名称 | 把一句新闻放进模型卡的实体示例里跑一遍
文档处理 | 后端开发者 | 把文本变成带类型字段的结构化记录 | 根据一则简短公告填写一条记录
数据分析 | 分析师 | 找出实体之间的关系，并按标签给文本分类 | 从报告中构建实体和关系图

如果你想找聊天模型，可以跳过它，因为这个模型负责提取和标注文本。

用在哪里：

• Python 3.10 或更新版本
• 在 CPU、CUDA 或 MPS 上本地推理，模型卡说不需要外部 API
• 装有 Python 的 Windows、macOS 或 Linux

Use case | Who | What they get back
实体提取 | 开发者 | 带位置和可选置信度的有类型实体
文本分类 | 数据团队 | 为每段文本给出一个标签
关系提取 | 分析师 | 实体之间有类型的连接

如何设置：

• Python 3.10 或更新版本
• 带 local 扩展的 gliner2 软件包，它会装上 PyTorch，这样才能加载 Hub 上的检查点
• 为权重留出空间，F32 约 1.1 GB

1. 安装 Python 3.10 或更新版本。
2. 用下面第一条命令安装这个软件包。
3. 也可以用第二段里 Hugging Face 自己的两条命令复制模型文件。

pip install "gliner2[local]"

pip install -U huggingface_hub
hf download fastino/gliner2.5-multi-v1

如何使用：加载这个检查点时一定要用 AutoExtractor。旧的 GLiNER2 加载器是传统的片段式加载器，无法调度它，而 AutoExtractor 会读取 architecture 字段，自动选出 BoundaryExtractor。

from gliner2 import AutoExtractor

model = AutoExtractor.from_pretrained("fastino/gliner2.5-multi-v1")

print(type(model).__name__)
print(model.config.architecture)
# BoundaryExtractor
# boundary

做实体提取时，你传入一段文本和一个标签列表。模型卡还列出了加载模型时可选的设备、fp16 权重和 compile 标志。

text = "Apple CEO Tim Cook announced iPhone 15 in Cupertino yesterday."

result = model.extract_entities(
    text,
    ["company", "person", "product", "location"],
    include_confidence=True,
    include_spans=True,
)

Tool | What it does
AutoExtractor | 加载检查点并选出合适的提取器
extract_entities | 在文本中找出有类型的实体，可附带置信度和位置
Classifier | 在多个任务之间应用标签约束
JointIE | 构建有类型的实体与关系图

示例：你传入那句关于 Apple、Tim Cook、iPhone 15 和 Cupertino 的话，标签是 company、person、product 和 location。你会得到按标签分组的实体，每个都带有起止位置和一个置信度分数。

新手与专家：可以把它想成一个阅读器，把文本里的名称和事实标出来，归到你选的标签下。一个好的起步是先运行加载代码，再运行上面的实体示例。

从底层看，边界架构把稀疏的起点和终点配对，而不是用固定的片段宽度网格，所以任何能放进编码窗口的片段都能被找到。约束解码通过 Classifier 提供跨任务的标签规则，通过 JointIE 提供有类型的实体与关系图。

用 AutoExtractor 加载检查点
传入文本和你的标签
边界模型找出片段
返回带位置的实体

注意事项：

• License: Apache 2.0
• Cost to run: 未提及，模型卡说本地推理不需要外部 API
• Data it reaches: 下载时从 Hugging Face 获取文件，推理则在你自己的 CPU、CUDA 或 MPS 设备上运行
• 还有两个较小的英文兄弟模型，一个是 small，一个是 base

Title: 各检查点的参数量，单位百万
small-v1: 74 M
base-v1: 194 M
multi-v1: 287 M

Hugging Face 上的数据（2026年11月13日）

• 框架：transformers
• 参数量：287M
• Weights: about 1.1 GB in F32; about 144 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：88,821
• 点赞：300
• 许可证：apache-2.0
• 语言：en
• Quantized versions: 8
• Fine-tunes: 20
• 标签：transformers, safetensors, gliner2, information-extraction, boundary-extraction, multilingual

链接

• 模型：https://huggingface.co/fastino/gliner2.5-multi-v1
• 文件：https://huggingface.co/fastino/gliner2.5-multi-v1/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download fastino/gliner2.5-multi-v1

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。