GLiNER2 base

GLiNER2 base

用一个能在 CPU 上运行的小模型，从普通文本里提取实体、给文本分类、抽取结构化数据并找出关系。适合想做信息抽取、又不想用 GPU 或外部 API 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 base 是 fastino 发布的信息抽取模型。一个模型处理四件事。它找出命名实体，给整段文本打标签，把字段整理成结构，并通过关系把实体连起来。它的目的是让你不必搭一串独立工具，也不必调用外部 API。

你描述想要什么，比如一组实体标签或一组字段，它就按这些去读你的文本。模型卡说它是为高效的 CPU 推理做的。

适合谁：需要把自由文本变成标签和字段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 | 从一条新闻里提取实体
客户支持 | 支持团队 | 按情绪或主题给评论分类 | 把一条评论标成正面或负面
电商 | 商品目录团队 | 把商品描述变成字段 | 从一条商品信息里读出名称、存储和价格

如果你想要聊天助手，可以跳过它，因为它读取文本并返回结构，而不是对话。

用在哪里：你在自己的电脑上用 Python 运行它，支持 Windows、macOS 或 Linux。

• 导入 gliner2 包的 Python 脚本
• 装有 Python 的 Windows、macOS 或 Linux
• 没有 GPU 的机器，因为模型卡说它是为 CPU 使用设计的

Use case | Who | What they get back
实体抽取 | 开发者 | 按你的标签分组的实体字典
文本分类 | 支持团队 | 每段文本的一个或多个标签
结构化抽取 | 商品目录团队 | 名称、存储和价格之类的字段

如何设置：你需要 Python 和 gliner2 包。按名称加载时，模型会自动下载。

• Windows、macOS 或 Linux 上的 Python
• 用 pip 安装的 gliner2 包
• 足够的磁盘空间，F32 权重约 834 MB

1. 安装 Python。
2. 用 pip 安装 gliner2 包。
3. 也可以提前用 hub 工具下载模型文件。
4. 在 Python 脚本里按名称加载模型。

pip install gliner2

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

如何使用：加载模型，然后调用对应任务的方法。抽取实体时，你传入文本和一组标签。

from gliner2 import GLiNER2

# Load the model
extractor = GLiNER2.from_pretrained("fastino/gliner2-base-v1")

# Extract entities
text = "Apple CEO Tim Cook announced iPhone 15 in Cupertino yesterday."
result = extractor.extract_entities(text, ["company", "person", "product", "location"])

print(result)
# Output: {'entities': {'company': ['Apple'], 'person': ['Tim Cook'], 'product': ['iPhone 15'], 'location': ['Cupertino']}}

分类时，你传入文本和你允许的标签。

# Single-label classification
result = extractor.classify_text(
    "This laptop has amazing performance but terrible battery life!",
    {"sentiment": ["positive", "negative", "neutral"]}
)
print(result)
# Output: {'sentiment': 'negative'}

Tool | What it does
extract_entities | 按你给的标签找出实体
classify_text | 给文本选一个或多个标签
extract_json | 按你描述的字段从文本里填值
create_schema | 构建一个合并多个任务的模式
extract | 对文本运行合并后的模式

示例：你传入一句话，讲苹果公司的 CEO Tim Cook 在 Cupertino 宣布一款手机，标签是 company、person、product 和 location。它返回 Apple 为公司，Tim Cook 为人物，那款手机为产品，Cupertino 为地点。

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，它交回标签和字段。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，一个模型在一次前向计算里处理四种任务，运行时你用标签或模式来引导它。模型卡描述它约有 205M 个参数，CPU 优先推理，本地处理。代价是你写的标签决定你得到什么。

你的文本和你的标签或模式
一个模型把它们一起读
实体、类别、字段或关系
返回一个普通的 Python 字典

注意事项：模型卡说处理留在本地，模型文件到了你的机器上之后不需要外部服务。

• Size: 记录中是 208M 个参数，F32 下约 834 MB，以 Safetensors 格式存放
• Language: 英语
• Other versions: Hugging Face 列出了其他人做的 6 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13日）

• 框架：gliner2
• 参数量：208M
• Weights: about 834 MB in F32; about 104 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：353,994
• 点赞：106
• 许可证：apache-2.0
• 语言：en
• Quantized versions: 6
• Fine-tunes: 12
• 标签：gliner2, safetensors, extractor

链接

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