開發人員使用Gemini以9美元的價格對GLiNER模型進行了再訓練

開發人員實現了對專用模型 GLiNER 的微調，使用了從 Gemini 獲得的標註。整個數據準備和訓練過程花費了 24 分鐘，API 請求的總成本為 9 美元。

結果達到了在 Reddit 特定數據上解決命名實體識別（NER）任務的 0.83 F1-score。該模型已針對評論進行了優化，可以在最小的計算資源下實現高精度。根據作者的計算，開發成本在處理 4,291 個評論 后就會收回。

使用大型語言模型生成合成標註數據已成為創建緊湊的專用解決方案的有效方法。與其為每個請求使用重型模型，微調的 GLiNER 模型以明顯降低的推理成本執行相同的功能。

此方法展示了快速創建文本分析的專用工具的可能性，而無需手動標註大型數據集。從雲端 LLM 將邏輯轉移到本地或輕量級模型中，可以在數據處理擴展時大大降低運營成本。