G

Gliner Large V2.5

由gliner-community開發
GLiNER 是一個通用的命名實體識別(NER)模型,能夠識別任何類型的實體,為傳統 NER 模型提供了實用的替代方案。
下載量 2,896
發布時間 : 6/17/2024

模型概述

GLiNER 通過雙向 Transformer 編碼器(類似 BERT)識別任何類型的實體,解決了傳統 NER 模型僅限於預定義實體類型的問題,同時避免了大型語言模型(LLMs)資源消耗高的問題。

模型特點

通用實體識別
能夠識別任何類型的實體,而不僅限於預定義的實體類型。
資源高效
相比大型語言模型(LLMs),資源消耗更低,適合資源受限的場景。
多語言支持
支持多種語言的命名實體識別。

模型能力

命名實體識別
多語言實體識別
自定義實體類型識別

使用案例

信息提取
人物識別
從文本中識別出人物名稱。
示例輸出:克里斯蒂亞諾·羅納爾多·多斯·桑托斯·阿維羅 => 人物
日期識別
從文本中識別出日期信息。
示例輸出:1985年2月5日 => 日期
獎項識別
從文本中識別出獎項名稱。
示例輸出:金球獎 => 獎項
體育分析
球隊識別
從體育新聞中識別出球隊名稱。
示例輸出:阿爾納斯爾 => 球隊
賽事識別
從體育新聞中識別出賽事名稱。
示例輸出:歐冠冠軍 => 賽事
AIbase
智啟未來,您的人工智能解決方案智庫
© 2025AIbase