GLiNER2.5-Decide

GLiNER2.5-Decide

对英文文本按你在调用时传入的任意标签集进行分类，比如意图、路由、情感或紧急程度，一次完成，不需要提示词模板。这是 Fastino 推出的面向运营决策的小型专用模型。

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-Decide 是 Fastino 推出的英文文本分类模型。你在调用时给它一段文本和一组标签，它会选出匹配的一个或多个标签。它不写文本，也不做推理，不需要提示词模板，是为运营决策而设计的。

适合谁：适合给工单分流、给消息打标签或筛查内容的开发者，他们想要小型本地分类器，而不是大型语言模型。

Industry | Who uses it | How they use it | Example
客户支持 | 支持工程师 | 把进来的消息分到正确的队列 | 退款请求还是登录问题
银行 | 产品团队 | 按意图给客户请求打标签 | 一笔卡片争议或一个余额问题
内容审核 | 信任与安全团队 | 为严重程度、紧急程度或垃圾信息打分 | 一份被标为紧急的举报
运营 | IT 团队 | 给邮件和工单分类，或决定是否转人工 | 被送到正确团队的工单

如果你需要开放式回答或多语言输入，可以跳过它，因为模型卡为此指向了另一个多语言版本。

用在哪里：

• Windows、macOS 或 Linux 上的 Python 程序，通过 gliner2 包
• 需要为每条消息快速给出标签的客服台、收件箱和路由层
• 需要判断任务是否完成的智能体流程

Use case | Who | What they get back
意图识别 | 支持团队 | 从你的列表里选出一个标签，比如 refund_request
多标签打标 | 分析人员 | 分数超过阈值的每个标签
情感和优先级 | 运营团队 | 来自你定义的量表的一个标签

如何设置：

• Python 和 pip
• F32 权重约 1.9 GB 的空间
• 带本地扩展的 gliner2 包

1. 安装带本地扩展的 gliner2 包。
2. 用 AutoExtractor 加载模型，它会从 Hugging Face 下载。
3. 用你的文本和标签调用 classify_text。

pip install "gliner2[local]"

from gliner2 import AutoExtractor

model = AutoExtractor.from_pretrained("fastino/GLiNER2.5-Decide")

如何使用：用文本和一个把任务名映射到标签的字典调用 classify_text。单标签任务返回一个字符串，多标签任务返回高于阈值的每个标签。一次调用可以同时为多个任务打分。

model.classify_text(
    "My subscription renewed on April 15 for ¥5,400 after the service was already down. Can I get that charge refunded?",
    {"intent": [
        "order_status", "refund_request", "cancel_subscription", "update_payment",
        "login_problem", "shipping_delay", "bug_report", "speak_to_human", "other",
    ]},
)

Tool | What it does
AutoExtractor | 从 Hugging Face 加载模型
classify_text | 按你传入的标签为文本打分
label set | 任意标签列表，包括带说明的标签
threshold | 决定多标签任务里哪些标签算数

示例：你发送一条客户在服务中断后要求退款的消息，以及一份意图标签列表。模型返回一个标签 refund_request，这样你的系统可以马上启动退款流程。

新手与专家：先用一条消息和四五个清晰的标签试试，看哪个标签被返回。把标签写成简短、彼此不同的名称，效果更好。

模型卡描述的是一次前向传播，不生成任何 token，所以调用快速且在本地运行。在覆盖 17 个领域的精确匹配基准上，GLiNER2.5-Decide 平均得分 60.2%。同一个调用还能回答关于一段文字的问题、给一本书分类，或为有序量表打分。

传入文本和标签集
一次前向传播为标签打分
单标签返回一个字符串
多标签返回高于阈值的标签

注意事项：

• License: Apache 2.0
• Cost to run: 没有提到
• Data it reaches: 从 Hugging Face 下载文件，之后在你自己的机器上运行
• Not for: 推理、解释或开放式问题，模型卡说它不做这些
• Not for: 多语言文本，因为基准测试集是英语

Title: fast-decisions 上的精确匹配准确率，单位为百分比
GLiNER2.5-Decide: 60.2 %
GLiNER2.5-Decide-1B: 59.6 %
JevK5: 57.6 %
GLiNER2.5-multi-Decide: 56.7 %
SemIf: 56.4 %
GLiFormer large-v1: 49.0 %
Laya Router: 46.6 %

Hugging Face 上的数据（2026年11月13日）

• 任务：text classification
• 框架：transformers
• 参数量：486M
• Weights: about 1.9 GB in F32; about 243 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：89,759
• 点赞：457
• 许可证：apache-2.0
• 语言：en
• 基于：fastino/gliner2-large-v1
• Quantized versions: 14
• Fine-tunes: 14
• 标签：transformers, safetensors, gliner2, decision-model, text-classification

链接

• 模型：https://huggingface.co/fastino/GLiNER2.5-Decide
• 文件：https://huggingface.co/fastino/GLiNER2.5-Decide/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-Decide

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。