開發人員發佈了GLiNER2.5 Base模型以進行資訊提取

開發團隊推出了 GLiNER2.5 Base — 模型的新版本，旨在統一從非結構化文本中提取結構化數據。該版本擴展了自然語言處理工具的系列，提供了性能和資源消耗之間的平衡。

該模型基於 DeBERTa-v3-base 架構，包含 194 萬個參數。系統的主要專業是實體提取、對象分類和識別它們之間的關係。為了處理數據，模型實現了 AutoExtractor 的功能，允許自動化提取方案的形成過程。

模型的技術實現針對需要在處理任意類型實體時具有高精度的任務，而這些實體在訓練過程中沒有被嚴格定義。使用 DeBERTa-v3 提供了與 GLiNER 家族之前的版本相比的上下文理解的改進，這對於複雜句子的關係提取任務至關重要。

更新補充了文本數據自動分析工具的生態系統。開發人員指出，這個版本已經針對需要在數據處理管道中靈活配置提取方案而無需為每個特定域或實體類型重新訓練模型的需求進行了優化。