尧图网页设计 
GLiNER2.5-Decide快速入门调用时传入标签集告别Prompt模板的动态文本分类【免费下载链接】GLiNER2.5-Decide项目地址: https://ai.gitcode.com/hf_mirrors/fastino/GLiNER2.5-DecideGLiNER2.5-Decide 是一个仅 340M 参数的英文动态文本分类模型调用时传入标签集它就能立即返回分类结果——意图识别、情感分析、工单路由、多标签打标一次前向传播全部完成。没有 Prompt 模板没有逐 token 生成pip装好 SDK 后即可本地部署。这篇快速入门指南带你在 3 分钟内完成安装、首次调用并看懂 10 个真实决策场景。什么是动态文本分类传统文本分类模型把类别焊死在模型里想从 5 个类加到 6 个类就得重新训练。GLiNER2.5-Decide 反其道而行——标签集不训练而是每次调用时作为参数传入今天给客服消息传 9 个意图标签它就从 9 个里挑明天换成 20 个银行业务标签同一个模型直接复用同时一次调用还能给同一段文字打分多个决策头意图 紧急度 路由部门不用跑三次模型。一句话总结标签集就是你的分类体系想改就改改完即用。三大核心卖点卖点说明 无 Prompt 模板不需要拼 Classify the following text as... 之类的提示词⚡ 无生成式输出不做逐 token 生成一次前向直接出决策延迟低、输出稳定 多决策头一次搞定单标签任务返回一个字符串多标签任务返回阈值以上的所有标签3分钟安装与首次调用 第一步安装pip install gliner2第二步加载模型并调用from gliner2 import AutoExtractor model AutoExtractor.from_pretrained(fastino/GLiNER2.5-Decide) result model.classify_text( My subscription renewed after the service was down. Can I get that charge refunded?, {intent: [refund_request, cancel_subscription, login_problem, other]}, ) print(result) # {intent: refund_request}就这么简单第一个参数是待分类文本第二个参数是任务名 → 候选标签的字典返回一个 JSON 结果。进阶一次调用多个决策头 多标签result model.classify_text( Please confirm the new retention rule is applied before Fridays audit., { intent: [request, approval, fyi], urgency: [low, high, critical], topics: {labels: [compliance, security, billing], multi_label: True, cls_threshold: 0.4}, }, ) # {intent: request, urgency: high, topics: [compliance]}开启multi_label: True后topics会返回所有得分超过cls_threshold的标签适合一篇文章多个主题这类场景。10 真实决策场景一览 以下示例均来自 README.md 的官方场景演示场景标签集示例可能输出客服意图路由refund_request/cancel_subscription/speak_to_human{intent: refund_request}银行业务识别transfer_cancel/beneficiary_add/fraud_report{intent: transfer_cancel}评论情感四分类positive/negative/mixed/neutral{sentiment: mixed}产品方面打标多标签battery/keyboard/screen{aspects: [battery, keyboard, screen]}文档类型分拣invoice/contract/resume{document_type: invoice}邮件分诊三头一次算完意图 紧急度 部门路由{intent: request, urgency: high, route: legal}转人工判断yes/no{handoff: yes}内容合规审核allow/personal_data/scam/spam{policy: personal_data}事件严重度分级info/low/medium/high/critical{severity: low}垃圾邮件过滤spam/ham{label: spam} 除了分类它还能做段落问答判断yes/no、书籍类型识别、标签带描述给标签附上简短定义提升私有分类体系的精度以及有序评分把0~10当普通字符串传入直接读出分数。基准测试17 个领域平均 60.2% 在官方评测集17 个领域、每域 300 条留出样本所有模型输入相同文本与候选标签上GLiNER2.5-Decide 以 340M 的体量拿下平均 60.2% 的精确匹配准确率甚至超过了 1B 和 4B 量级的对手模型平均精确匹配GLiNER2.5-Decide340M60.2%GLiNER2.5-Decide-1B59.6%JevK557.6%GLiNER2.5-multi-Decide287M56.7%SemIfQwen3.5-4B56.4%GLiFormer large-v149.0%Laya Router46.6%技术细节与模型文件 编码器DeBERTa-v3-large24 层、隐层 1024、支持最长 512 token参数量340MCPU 或 GPU 均可运行许可Apache 2.0分类架构基于 span 的提取式分类SpanExtractor而非生成式仓库内各文件的作用一览文件作用config.json模型入口配置extractor模型类型、span 头参数max_width: 8、基于microsoft/deberta-v3-largeencoder_config/config.json编码器参数DeBERTa-v2、24 层、16 头、最大位置 512model.safetensors340M 权重文件tokenizer.json分词器词表与规则special_tokens_map.json特殊 token 映射[CLS]、[SEP] 等README.md完整场景示例、基准数据与引用信息使用注意事项 ⚠️它是专家不是通才不做推理、不写解释、不回答开放性问题专注运营决策类任务英文专用输入是多语言文本时请改用同系列的 GLiNER2.5-multi-Decide标签集就是分类体系新增/调整类别无需重训直接改调用时传入的标签即可多标签任务记得配阈值multi_label: Truecls_threshold控制返回数量标签名不够直白时可以给标签附一句描述让私有分类体系更精准。常见问题 FAQ ❓Q1新增类别需要重新训练吗不需要。类别完全由调用时传入的标签集决定改标签集即生效。Q2一次调用能同时判断多个维度吗可以。在任务字典里放多个键如intent、urgency、route模型一次前向全部打分。Q3输出是概率吗返回的是决策标签单标签任务返回一个字符串多标签任务返回超过阈值的全部标签可直接被业务系统读取无需解析生成文本。✅小结GLiNER2.5-Decide 把文本分类从训一个模型管一类任务变成了传一组标签出结果。340M 的轻量身材 动态标签集 多决策头让它特别适合客服路由、工单分派、内容审核这类需要频繁调整类别的运营决策场景。现在就pip install gliner2跑通你的第一个分类调用吧【免费下载链接】GLiNER2.5-Decide项目地址: https://ai.gitcode.com/hf_mirrors/fastino/GLiNER2.5-Decide创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 GLiNER2.5-Decide快速入门：调用时传入标签集，告别Prompt模板的动态文本分类
GLiNER2.5-Decide快速入门调用时传入标签集告别Prompt模板的动态文本分类【免费下载链接】GLiNER2.5-Decide项目地址: https://ai.gitcode.com/hf_mirrors/fastino/GLiNER2.5-DecideGLiNER2.5-Decide 是一个仅 340M 参数的英文动态文本分类模型调用时传入标签集它就能立即返回分类结果——意图识别、情感分析、工单路由、多标签打标一次前向传播全部完成。没有 Prompt 模板没有逐 token 生成pip装好 SDK 后即可本地部署。这篇快速入门指南带你在 3 分钟内完成安装、首次调用并看懂 10 个真实决策场景。什么是动态文本分类传统文本分类模型把类别焊死在模型里想从 5 个类加到 6 个类就得重新训练。GLiNER2.5-Decide 反其道而行——标签集不训练而是每次调用时作为参数传入今天给客服消息传 9 个意图标签它就从 9 个里挑明天换成 20 个银行业务标签同一个模型直接复用同时一次调用还能给同一段文字打分多个决策头意图 紧急度 路由部门不用跑三次模型。一句话总结标签集就是你的分类体系想改就改改完即用。三大核心卖点卖点说明 无 Prompt 模板不需要拼 Classify the following text as... 之类的提示词⚡ 无生成式输出不做逐 token 生成一次前向直接出决策延迟低、输出稳定 多决策头一次搞定单标签任务返回一个字符串多标签任务返回阈值以上的所有标签3分钟安装与首次调用 第一步安装pip install gliner2第二步加载模型并调用from gliner2 import AutoExtractor model AutoExtractor.from_pretrained(fastino/GLiNER2.5-Decide) result model.classify_text( My subscription renewed after the service was down. Can I get that charge refunded?, {intent: [refund_request, cancel_subscription, login_problem, other]}, ) print(result) # {intent: refund_request}就这么简单第一个参数是待分类文本第二个参数是任务名 → 候选标签的字典返回一个 JSON 结果。进阶一次调用多个决策头 多标签result model.classify_text( Please confirm the new retention rule is applied before Fridays audit., { intent: [request, approval, fyi], urgency: [low, high, critical], topics: {labels: [compliance, security, billing], multi_label: True, cls_threshold: 0.4}, }, ) # {intent: request, urgency: high, topics: [compliance]}开启multi_label: True后topics会返回所有得分超过cls_threshold的标签适合一篇文章多个主题这类场景。10 真实决策场景一览 以下示例均来自 README.md 的官方场景演示场景标签集示例可能输出客服意图路由refund_request/cancel_subscription/speak_to_human{intent: refund_request}银行业务识别transfer_cancel/beneficiary_add/fraud_report{intent: transfer_cancel}评论情感四分类positive/negative/mixed/neutral{sentiment: mixed}产品方面打标多标签battery/keyboard/screen{aspects: [battery, keyboard, screen]}文档类型分拣invoice/contract/resume{document_type: invoice}邮件分诊三头一次算完意图 紧急度 部门路由{intent: request, urgency: high, route: legal}转人工判断yes/no{handoff: yes}内容合规审核allow/personal_data/scam/spam{policy: personal_data}事件严重度分级info/low/medium/high/critical{severity: low}垃圾邮件过滤spam/ham{label: spam} 除了分类它还能做段落问答判断yes/no、书籍类型识别、标签带描述给标签附上简短定义提升私有分类体系的精度以及有序评分把0~10当普通字符串传入直接读出分数。基准测试17 个领域平均 60.2% 在官方评测集17 个领域、每域 300 条留出样本所有模型输入相同文本与候选标签上GLiNER2.5-Decide 以 340M 的体量拿下平均 60.2% 的精确匹配准确率甚至超过了 1B 和 4B 量级的对手模型平均精确匹配GLiNER2.5-Decide340M60.2%GLiNER2.5-Decide-1B59.6%JevK557.6%GLiNER2.5-multi-Decide287M56.7%SemIfQwen3.5-4B56.4%GLiFormer large-v149.0%Laya Router46.6%技术细节与模型文件 编码器DeBERTa-v3-large24 层、隐层 1024、支持最长 512 token参数量340MCPU 或 GPU 均可运行许可Apache 2.0分类架构基于 span 的提取式分类SpanExtractor而非生成式仓库内各文件的作用一览文件作用config.json模型入口配置extractor模型类型、span 头参数max_width: 8、基于microsoft/deberta-v3-largeencoder_config/config.json编码器参数DeBERTa-v2、24 层、16 头、最大位置 512model.safetensors340M 权重文件tokenizer.json分词器词表与规则special_tokens_map.json特殊 token 映射[CLS]、[SEP] 等README.md完整场景示例、基准数据与引用信息使用注意事项 ⚠️它是专家不是通才不做推理、不写解释、不回答开放性问题专注运营决策类任务英文专用输入是多语言文本时请改用同系列的 GLiNER2.5-multi-Decide标签集就是分类体系新增/调整类别无需重训直接改调用时传入的标签即可多标签任务记得配阈值multi_label: Truecls_threshold控制返回数量标签名不够直白时可以给标签附一句描述让私有分类体系更精准。常见问题 FAQ ❓Q1新增类别需要重新训练吗不需要。类别完全由调用时传入的标签集决定改标签集即生效。Q2一次调用能同时判断多个维度吗可以。在任务字典里放多个键如intent、urgency、route模型一次前向全部打分。Q3输出是概率吗返回的是决策标签单标签任务返回一个字符串多标签任务返回超过阈值的全部标签可直接被业务系统读取无需解析生成文本。✅小结GLiNER2.5-Decide 把文本分类从训一个模型管一类任务变成了传一组标签出结果。340M 的轻量身材 动态标签集 多决策头让它特别适合客服路由、工单分派、内容审核这类需要频繁调整类别的运营决策场景。现在就pip install gliner2跑通你的第一个分类调用吧【免费下载链接】GLiNER2.5-Decide项目地址: https://ai.gitcode.com/hf_mirrors/fastino/GLiNER2.5-Decide创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考