GLiNER2.5-multi-Decide

GLiNER2.5-multi-Decide

按你在调用时传入的标签对文本分类，一次计算完成，不需要提示词模板。这是 287M 的模型，用于非英语文本的路由、意图、情感和审核。可在本地运行。

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-Decide 是一个 287M 的文本分类模型，支持多种语言。你在调用时传入标签，它一次计算就挑出一个或多个。它不生成文字，也不需要提示词模板。

适合谁：它适合做消息路由、文档打标签或内容审核的开发者，尤其是文本不是英语的时候。模型卡说它是处理运营决策的专用模型，不是通用模型。

Title: 谁在用
Industry | Who uses it | How they use it | Example
客户支持 | 支持团队 | 把每条消息路由到正确的队列 | 退款请求进入退款队列
银行 | 运营团队 | 把客户消息对应到要打开的业务操作 | 取消转账对应到取消标签
审核 | 信任与安全团队 | 给严重程度、紧急程度或垃圾信息打标签 | 在收到的消息里标出垃圾信息

如果你需要会推理、会解释或能回答开放问题的模型，可以跳过它。

用在哪里：

• Windows、macOS 或 Linux 上的 Python，配合 gliner2 包
• 需要路由的客服收件箱和工单系统
• 每条消息都需要一个标签的银行和诊所请求流程
• 本地机器：模型卡说加载后可以在本地部署

Title: 它能做的事
Use case | Who | What they get back
意图路由 | 客服开发者 | 一个标签，例如 refund_request
多标签打标 | 内容团队 | 高于阈值的每一个标签
一次做多个决定 | 工作流开发者 | 一次调用里多个头的分数

如何设置：

• Windows、macOS 或 Linux 上的 Python
• 带 local 附加项的 gliner2 包

1. 安装带 local 附加项的 gliner2。
2. 用 AutoExtractor 加载模型。
3. 如果愿意，可以手动下载模型文件。

pip install "gliner2[local]"

from gliner2 import AutoExtractor

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

pip install -U huggingface_hub
hf download fastino/GLiNER2.5-multi-Decide

如何使用：
用消息和一个标签字典调用 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一个标签。

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",
    ]},
)

Title: 模型卡给出的调用
Tool | What it does
AutoExtractor.from_pretrained | 按 Hugging Face 上的名字加载模型
classify_text | 对照你给的标签给文本打分

示例：
一位客户写道，服务中断期间订阅又续费了，希望退款。你传入上面的意图标签，模型返回一个标签，refund_request。

新手与专家：
如果你是新手，可以把它看作一个分拣助手。你给它一条消息和一组选项，它告诉你哪个选项合适。第一件小事是运行安装那一行，再拿一条消息配三个标签试试。

如果你懂这个领域，模型用一次前向计算给标签打分，不生成任何词元，一次调用还能给多个头打分。代价是适用范围。在模型卡的 17 个领域英语测试集上它得 56.7%，低于 340M 英语模型的 60.2%，模型卡建议纯英语文本改用后者。

安装带 local 附加项的 gliner2
用 AutoExtractor 加载模型
传入文本和一组标签
一次前向计算给标签打分
得到一个标签或高于阈值的所有标签

注意事项：

Title: fast-decisions 上的平均精确匹配准确率
GLiNER2.5-Decide (340M): 60.2 %
GLiNER2.5-Decide-1B: 59.6 %
JevK5: 57.6 %
GLiNER2.5-multi-Decide (287M): 56.7 %
SemIf (Qwen3.5-4B): 56.4 %
GLiFormer large-v1: 49.0 %
Laya Router: 46.6 %

• 范围：它不能做开放式推理，不能给出解释，也不能处理自由形式的问题。
• 基准：测试集是英语的，共 17 个领域，每个领域 300 个保留样本。
• License：apache-2.0。
• Cost to run：没有提到 API 密钥或付费服务。模型卡还宣传了 Fastino 的微调服务。
• Data it reaches：它从 Hugging Face 下载，然后在你的机器上给文本分类，模型卡没有提到别的访问。
• Not for：开放式问题和推理。

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：12,037
• 点赞：74
• 许可证：apache-2.0
• 语言：en
• 基于：fastino/gliner2.5-multi-v1
• Quantized versions: 4
• Fine-tunes: 3
• 标签：transformers, safetensors, gliner2, decision-model, multilingual

链接

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