Fastino发布GLiNER2.5：边界预测架构革新信息抽取

架构革新：从跨度枚举到边界预测

信息抽取团队长期面临权衡：小型编码器模型成本低但泛化弱，大语言模型灵活却单文档推理开销高昂。Fastino发布的GLiNER2.5旨在弥合这一鸿沟。其核心变革在于摒弃传统‘跨度枚举’（span enumeration）范式——即对每个起始位置与预设宽度组合逐一打分——转而采用‘边界预测’（boundary prediction）：模型直接为每个token边界输出起始与结束得分，并为token本身输出‘内部’得分。该设计彻底移除了最大实体宽度硬约束，使上下文窗口扩展至4096词，且在固定schema下计算量随序列长度呈线性增长。

五大能力升级

长上下文抽取：取消显式跨度表征显著降低内存占用，模型可原生训练于长达4096词的序列。官方checkpoint均配置`max_len=4096`，配套库提供`extract_entities_long`等原生分块工具，自动将分块结果映射回原始文档的字符级偏移。

无上限实体长度：此前GLiNER2受限于宽度网格（通常约12词），超长实体无法被评分；GLiNER2.5中，一个实体可始于首token、止于末token——例如40词的赔偿条款与2词的人名定位成本完全相同。

联合实体-关系抽取：用户声明实体类型、有向关系及结构规则（如`unique_head=True`、`no_self_loops()`），系统通过束搜索构建全局一致图谱。非法组合在解码阶段即被排除，输出天然满足约束；调用前需检查`result.feasible`。

跨任务标签约束：支持`C.implies`与`C.excludes`等规则，在解码时强制不同任务标签间逻辑一致性。Fastino自研的GLiGuard护栏模型即为此类需求的典型场景：避免同一输入被同时判定为‘安全’与‘存在提示注入风险’；若无合法标签分配，分类器将主动报错。

细粒度跨度属性：情感等属性组可通过`applies_to`绑定至特定实体类型，并在单次前向传播中逐span解码。返回结果为带属性的结构化实体，而非扁平化标签。

开源与部署就绪

Fastino在Hugging Face发布三个Apache 2.0许可的checkpoint：`gliner2.5-small-v1`（74M参数，DeBERTa-v3-xsmall，英文）、`gliner2.5-base-v1`（194M，DeBERTa-v3-base，英文）及`gliner2.5-multi-v1`（287M，mDeBERTa-v3-base，多语言）。三者共享统一API，须通过`AutoExtractor`加载（不再兼容旧版GLiNER2跨度加载器）。部署仅需`pip install "gliner2[local]"`（Python 3.10+），支持CPU、CUDA或Apple Silicon MPS，无需云推理服务——74M与194M版本可在标准CPU服务器运行，适合小团队零GPU预算落地；大型组织则可私有化微调，替代按token计费的LLM抽取方案。

性能表现

在16个零样本公开数据集评测中，多语言版GLiNER2.5整体宏F1达56.17，略高于GLiNER2的56.09；基础版达54.87，较前代53.34明显提升。最大跃升来自XNLI任务：多语言版达62.30（+24.75分）；Few-NERD基础版升至55.14（+7.92）；罗马尼亚语RONEC（未训练语言）亦获显著增益。

行业应用场景

当前适配场景包括法律与合同运营、医疗临床文档、金融服务、保险理赔、客户支持及AI安全工具链。典型应用涵盖：PII检测与脱敏、合同条款抽取、智能体记忆知识图谱构建、模型/智能体路由决策、护栏分类（guardrail classification）、带否定与剂量属性的临床实体抽取等。

> 编者观点：GLiNER2.5的边界预测范式为中国企业提供了轻量、可控、可解释的信息抽取新路径——尤其适合对数据主权、推理成本与合规性要求高的金融、医疗、政务领域，有望加速专业场景中LLM替代型结构化抽取方案的规模化落地。