GLiNER2.5 Base

GLiNER2.5 Base

用同一个模式从英文文本中抽取实体、关系和结构化记录，并给文本分类，在本地的 CPU、CUDA 或 MPS 上运行。适合构建文本抽取流程的开发者。

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 Base 是 fastino 的 GLiNER2.5 系列里的英文检查点，规模相当于 DeBERTa-v3-base。同一个模式能驱动多种任务：命名实体、文本分类、结构化记录、关系和片段属性。

它的边界设计把稀疏的起点和终点配对，所以片段可以是编码窗口里放得下的任意长度。它在你自己的机器上运行，不需要外部 API。

适合谁：要把英文文本变成标签、记录和关系的开发者和数据团队最适合它。它从 Python 运行。

Industry | Who uses it | How they use it | Example
软件 | 后端开发者 | 从文本里提取人物、公司和产品 | 在一条新闻里标出带字符偏移的实体
数据运营 | 数据团队 | 把自由文本变成结构化记录 | 根据商品描述填写字段
研究 | NLP 研究人员 | 研究带约束解码的模式驱动抽取 | 把实体和关系连成一张带类型的图

如果你使用其他语言，可以跳过它，因为这个检查点只支持英语。另有一个多语言检查点。

用在哪里：你在自己的电脑上用 Python 运行它。

• 导入 gliner2 包的 Python 脚本
• 装有 Python 3.10 或更新版本的 Windows、macOS 或 Linux
• CPU、CUDA 或 MPS 设备

Use case | Who | What they get back
实体抽取 | 开发者 | 带文本、偏移和置信度的实体
分类 | 数据团队 | 每段文本的标签
结构化记录 | 数据团队 | 从自由文本填好的字段
实体关系图 | 研究人员 | 实体之间带类型的连接

如何设置：你需要 Python 3.10 或更新版本，以及带 local 附加项的 gliner2 包，它会装上 PyTorch。

• Python 3.10 或更新版本
• 带 local 附加项的 gliner2 包
• 足够的磁盘空间，F32 权重约 774 MB

1. 安装 Python 3.10 或更新版本。
2. 安装带 local 附加项的 gliner2 包。
3. 也可以提前用 hub 工具下载模型文件。
4. 用 AutoExtractor 按名称加载模型。

pip install "gliner2[local]"

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

如何使用：加载这个检查点时一定要用 AutoExtractor。较老的 GLiNER2 加载器是给片段模型用的，不会分派到它。

from gliner2 import AutoExtractor

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

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

然后用文本和你的标签调用 extract_entities。下面两个选项会加上置信度和字符范围。

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,
)
print(result)

Tool | What it does
AutoExtractor | 加载检查点并选择它的架构
extract_entities | 按你给的标签找出实体
Classifier | 跨任务应用标签约束
JointIE | 构建带类型的实体和关系图

示例：你传入一句话，讲一家公司的 CEO 在某个城市宣布一款手机，标签是 company、person、product 和 location。每个匹配都带着它的文本、字符偏移和置信度返回。

新手与专家：你可以把这个模型看成一个替你给文本做标记的读者。你说明要找什么，它返回匹配。第一个小尝试，是用你自己的句子跑上面的实体示例。

在底层，边界架构稀疏地配对起点和终点，而不是给固定宽度的片段网格打分。偏移是指向你字符串的半开字符区间。约束解码加入了跨任务的标签限制和带类型的实体关系图。记录里列出 194M 个参数。

你的文本和模式或标签
边界抽取器配对起点和终点
约束解码应用标签规则
匹配带着偏移和分数返回

注意事项：有两个同系列检查点共用同一个公开 API，而这张模型卡只介绍 base 这一个。

Title: GLiNER2.5 系列
Model | Parameters | Encoder | Use case
gliner2.5-small-v1 | 74M | DeBERTa-v3-xsmall | 在 CPU 上快速抽取和分类
gliner2.5-base-v1 | 194M | DeBERTa-v3-base | 默认的英文多任务检查点
gliner2.5-multi-v1 | 287M | mDeBERTa-v3-base | 默认的多语言多任务检查点

• Size: 194M 个参数，F32 下约 774 MB，以 Safetensors 格式存放
• Language: 英语
• Other versions: Hugging Face 列出了其他人做的 4 个量化版本和 12 个微调版本
• License: apache-2.0
• Cost to run: 未提及
• Data it reaches: 你给它的文本，以及从 Hugging Face 下载的模型文件

Hugging Face 上的数据（2026年11月14日）

• 框架：transformers
• 参数量：194M
• Weights: about 774 MB in F32; about 97 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：132,027
• 点赞：43
• 许可证：apache-2.0
• 语言：en
• Quantized versions: 4
• Fine-tunes: 12
• 标签：transformers, safetensors, gliner2, information-extraction, boundary-extraction

链接

• 模型：https://huggingface.co/fastino/gliner2.5-base-v1
• 文件：https://huggingface.co/fastino/gliner2.5-base-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-base-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。