GLiNER2: Эффективная система извлечения информации с многоцелевой архитектурой и интерфейсом, управляемым схемой

GLiNER2: An Efficient Multi-Task Information Extraction System with Schema-Driven Interface

July 24, 2025

Авторы: Urchade Zaratiana, Gil Pasternak, Oliver Boyd, George Hurn-Maloney, Ash Lewis

cs.AI

Аннотация

Извлечение информации (IE) является основополагающим для многочисленных приложений NLP, однако существующие решения часто требуют специализированных моделей для различных задач или полагаются на вычислительно затратные большие языковые модели. Мы представляем GLiNER2, унифицированную архитектуру, которая улучшает оригинальную GLiNER для поддержки распознавания именованных сущностей, классификации текста и извлечения иерархически структурированных данных в рамках одной эффективной модели. Построенная на предобученной архитектуре трансформерного кодировщика, GLiNER2 сохраняет эффективность на CPU и компактный размер, одновременно вводя многозадачную композицию через интуитивно понятный интерфейс на основе схем. Наши эксперименты демонстрируют конкурентоспособную производительность в задачах извлечения и классификации с существенным улучшением доступности развертывания по сравнению с альтернативами на основе LLM. Мы выпускаем GLiNER2 как открытую библиотеку, устанавливаемую через pip, с предобученными моделями и документацией на https://github.com/fastino-ai/GLiNER2.

English

Information extraction (IE) is fundamental to numerous NLP applications, yet existing solutions often require specialized models for different tasks or rely on computationally expensive large language models. We present GLiNER2, a unified framework that enhances the original GLiNER architecture to support named entity recognition, text classification, and hierarchical structured data extraction within a single efficient model. Built pretrained transformer encoder architecture, GLiNER2 maintains CPU efficiency and compact size while introducing multi-task composition through an intuitive schema-based interface. Our experiments demonstrate competitive performance across extraction and classification tasks with substantial improvements in deployment accessibility compared to LLM-based alternatives. We release GLiNER2 as an open-source pip-installable library with pre-trained models and documentation at https://github.com/fastino-ai/GLiNER2.