GLiNER2: 一个高效的多任务信息提取系统带有模式驱动界面-计算机科学-机器学习-自然语言处理-信息提取.pdfVIP

GLiNER2:一个高效的多任务信息提取系统

带有模式驱动界面

UrchadeZaratiana,GilPasternak,OliverBoyd

GeorgeHurn-Maloney,AshLewis

FastinoAI

{uz,gil,o8,g,ash}@fastino.ai

摘要了其可访问性和采用率。较小的模型(Touvron

etal.,2023;Jiangetal.,2023;Yangetal.,2025)

信息提取（IE）是众多自然语言处理应用的

本基础，但现有的解决方案通常需要针对不（例如llama-2-7b）需要GPU加速才能达到合理

译同任务的专用模型或依赖计算成本高昂的的推理速度，使得基于CPU的部署对于生产用

大规模语言模型。途而言过于缓慢。对于资源受限的组织和研究

中我们介绍了GLiNER2，这是一个统一框架，者来说，GPU资源的可用性可能是一个障碍。

1

v改进了原始的GLiNER架构以支持命名实除了计算需求之外，LLMs还带来了额外的

6体识别、文本分类和分层结构化数据提取，

4所有这些功能都集成在一个高效的模型部署挑战。尽管近年来API成本显著下降，但

5

8中。在处理包含个人可识别信息（PII）、财务记录

1

7.基于预训练的Transformer编码器架构构或专有业务信息等敏感数据时，它们可能会

0建，GLiNER2保持了CPU效率和紧凑型大引发严重隐私和安全问题(Shanmugarasaetal.,

5

2小，同时通过直观的模式基础接口引入多2025;Wuetal.,2025)。医疗、金融和政府行业

:

v任务组合。的许多组织需要内部部署以维护数据主权并遵

i

x我们的实验表明，在抽取和分类任务上具守GDPR、HIPAA或特定行业合规要求(Lareo,

r

a有竞争力的表现，并且在部署可访问性方2023;Zhangetal.,2024;CNIL,2024)。此外，与

面与基于LLM的替代方案相比有显著提API使用相关的持续成本可能仍对研究人员、

升。初创企业和发展中国家的从业者构成阻碍，导

我们以开源pip可安装库的形式发布了致先进NLP能力的不平等访问。我们的目标是

GLiNER2，其中包括预训练模型和文档，在信息提取的背景下解决这些问题。

地址为/fastino-ai/GLiNER2。

GLiNER(Zaratianaetal.,2024)被提出以解决

1介绍

命名实体识别（NER）任务中的这些基本限制。