首页
/ GLiNER项目:多版本模型发布与使用指南

GLiNER项目:多版本模型发布与使用指南

2025-07-06 12:56:02作者:胡易黎Nicole

GLiNER是一个基于Transformer架构的命名实体识别(NER)模型,由开发者urchade创建并维护。该项目近期发布了多个不同规模的模型版本,为自然语言处理领域的实体识别任务提供了更多选择。

模型版本介绍

GLiNER项目目前提供了6个不同版本的预训练模型,分为两大系列:

  1. 基于Pile-NER数据集训练的模型

    • GLiNER-small
    • GLiNER-medium
    • GLiNER-large
  2. 基于NuNer数据集训练的模型

    • GLiNER-small
    • GLiNER-medium
    • GLiNER-large

这些模型分别针对不同计算资源和使用场景进行了优化,用户可以根据自身需求选择合适的版本。

模型训练数据

Pile-NER数据集采用"Attribution-NonCommercial 4.0 International"许可协议,而NuNer数据集则采用MIT许可协议。这种多数据源的训练策略使模型能够学习到更丰富的实体识别模式。

模型使用方式

开发者可以通过简单的API调用来使用这些预训练模型:

# 保存模型到本地
model.save_pretrained("local_path")

# 或将模型推送到Hugging Face Hub
model.push_to_hub("your_repo_name")

数据格式要求

对于希望使用自定义数据进行微调的用户,GLiNER要求输入数据采用特定的JSON格式。每个样本应包含tokenized_text(分词后的文本)和ner(实体标注)两个字段。ner字段中的每个实体标注采用[起始位置, 结束位置, 实体类型]的三元组格式。

应用前景

GLiNER模型特别适合需要领域自适应实体识别的场景。用户可以利用提供的预训练模型作为基础,在自己的专业领域数据上进行微调,从而获得更好的实体识别效果。项目维护者urchade表示,尽管早期版本使用已停止维护的allennlp框架导致了一些兼容性问题,但经过重构后的新版本已经解决了这些问题。

随着更多版本的发布和社区演示(如tomaarsen创建的Hugging Face演示空间)的推广,GLiNER有望成为命名实体识别领域的一个重要选择,特别是对于那些需要平衡模型性能和计算资源的中小规模应用场景。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
273
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8