G

Gliner Large V2.1

由urchade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 模型和大型語言模型提供了實用的替代方案。
下載量 10.31k
發布時間 : 4/10/2024

模型概述

GLiNER 使用雙向 Transformer 編碼器(類似 BERT)識別任何類型的實體,適用於資源受限的場景,成本低廉且體積較小。

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。
多語言支持
支持多種語言的命名實體識別。
資源高效
相比大型語言模型,體積更小,成本更低,適合資源受限的場景。

模型能力

命名實體識別
多語言文本處理

使用案例

信息提取
新聞文章中的實體識別
從新聞文章中提取人物、地點、組織等實體。
準確識別多種類型的實體,如人物、日期、獎項等。
學術文獻中的實體識別
從學術文獻中提取專業術語、作者、機構等實體。
支持多語言,適用於不同語言的學術文獻。
商業智能
客戶反饋分析
從客戶反饋中提取關鍵實體,如產品名稱、問題類型等。
幫助企業快速瞭解客戶反饋中的關鍵信息。
AIbase
智啟未來,您的人工智能解決方案智庫
© 2025AIbase