GLiNER2.5-Decide 悄悄冲进 HuggingFace 热榜第 14连续 10 小时在榜340M 小模型正在改写轻量 NER 叙事【免费下载链接】GLiNER2.5-Decide项目地址: https://ai.gitcode.com/hf_mirrors/fastino/GLiNER2.5-Decide一个 340M 参数的英文分类模型在监测快照中进入 HuggingFace 热榜第 14 位、连续 10 小时在榜。这件事值得拆开看不是因为第 14 名本身而是因为它代表的路线不用 prompt 模板、不生成任何 token、标签集在调用时才注入、一次前向传播同时给多个决策头打分。当运营决策类任务意图、路由、紧急度、审核被从 LLM 的生成式范式里剥出来交给一个专门化的 span 架构小模型成本曲线会被彻底改写。这篇文章基于模型卡源码、配置与tokenizer细节、以及 9 月下旬以来全网社区舆情快照回答三个问题热榜第 14 是怎么来的这个模型在仓库里到底是什么以及这波热度哪些是信号哪些是噪音。一、热榜第 14 是怎么来的发布窗口与榜单口径先把能核实的时间线摆出来。时间2026事件证据来源09-26出现于发布周类周报与 Edge AI Daily 早报被归入开源轻量决策模型加速落地社区舆情快照09-27首篇 CSDN 实测文263 阅读为全簇最高社区舆情快照10-03 ~ 10-0413 篇 CSDN 教程文在 48 小时内集中发布社区舆情快照10-08 20:47 UTC模型卡仓库最后一次提交安装指令改为gliner2[local]extrapipeline 标签定为 text-classificationcommit 信息自述为第 8 个 PR本仓库 git log10-09热榜第 14、连续 10 小时在榜本次监测快照榜单口径上HuggingFace 趋势榜长期按单位时间内的互动增速likes/downloads 斜率排序而非累计存量。这意味着一个发布窗口仅约两周、参数量只有 340M 的模型能压进榜单前 14靠的是窗口期互动斜率足够陡而不是存量下载量。结合上表可以看出两次脉冲9 月底首波发布周曝光 单篇实测10 月初第二波13 篇教程集中投放 10-08 官方卡面翻新。第二波与本次在榜窗口重合方向性上说得通。需要诚实标注的是榜单内部算法与精确的下载曲线不对外公开本文快照中也没有下载量数据因此第 14 名只能作为互动速度的代理信号来用不能作为采用率的证据。这一点在下文的真火还是待观察里会用到。二、一句话定位340M 的决策版 GLiNER标签即输入README.md 给出的官方一句话是GLiNER2.5 家族中的 340M 英文分类模型调用时传入任意标签集——意图、路由、情感、优先级、策略与多标签——一次前向传播完成无 prompt 模板无生成 token。模型卡元数据base_model: fastino/gliner2-large-v1、license: apache-2.0、language: en、pipeline_tag: text-classification与之一致。2.1 基准60.2% 精确匹配赢在任务形态而非参数量README 给出的基准在fastino/fast-decisions数据集上17 个领域、每领域 300 条留出样本、所有模型使用相同文本与候选标签指标为精确匹配准确率模型AvgGLiNER2.5-Decide (340M)60.2%GLiNER2.5-Decide-1B59.6%JevK557.6%GLiNER2.5-multi-Decide (287M)56.7%SemIf基于 Qwen3.5-4B56.4%GLiFormer large-v149.0%Laya Router46.6%这张表有三个值得注意的点。第一340M 版比同族的 1B 版还高 0.6 个百分点——在这个家族里堆参数不是主要杠杆schema 接口形态才是。第二它压过的是一个 4B 参数的通用模型微调版SemIf差距 3.8 个点这是60.2% 打 4B这一传播话术的原始出处。第三榜上出现 JevK5——9 月下旬掘金上已有文章盘点Jev 火了两周开源生态长出 28 个项目说明决策模型正在成为一个品类GLiNER2.5-Decide 与 Jev 系是同一赛道上的直接对手比的是同一套 17 领域基准。2.2 源码级拆解分类为什么被做成了 span 匹配打开 config.json核心字段是{ architecture: span, architectures: [Gliner2ForSchemaExtraction], model_name: microsoft/deberta-v3-large, counting_layer: count_lstm, token_pooling: first, max_width: 8, span_head: { dropout: 0.1, max_width: 8, span_mode: markerV0 }, use_moe: false }architecture: span是理解这个模型的关键它把分类建模成文本中匹配出与某个候选标签对应的 span。标签集合不是输出层的一堆固定神经元而是作为结构输入注入的——这就是任意标签集、免重训练换业务的底层原因。span_mode: markerV0与max_width: 8表示标签 span 用结构标记符引导、宽度上限 8 个 token适配短标签名。tokenizer_config.json 里注册的 10 个特殊 token 把 schema 驱动接口落实到了词表层[SEP_STRUCT]、[SEP_TEXT]、[P]、[C]、[E]、[R]、[L]、[EXAMPLE]、[OUTPUT]、[DESCRIPTION]。文本段与结构段由不同 SEP 切分[DESCRIPTION]对应带自然语言描述的标签这一特性[EXAMPLE]对应 few-shot 示例注入。标签即输入输入侧的 token 结构就是 schema。encoder_config/config.json 确认编码器是标准 DeBERTa-v3-large24 层、hidden 1024、intermediate 4096、16 头、相对位置编码p2c/c2p 双向偏置max_position_embeddings: 512词表 128011SPM。340M 的参数大体由两部分构成128011×1024 的嵌入表约 131M其余约 200M 在 24 层编码器与 span 头上。同时512 的位置上限也解释了社区部署文章反复强调的长文档分块策略——它不是经验之谈而是配置里写死的硬约束。2.3 调用形态一次前向多决策头并行README 中的邮件分诊示例最能体现设计意图——同一段文本三个头同时打分model AutoExtractor.from_pretrained(fastino/GLiNER2.5-Decide) model.classify_text( From: compliancegroup.example\nSubject: Protocol update — action required today\n\nPlease confirm the new retention rule is applied before Fridays audit., { intent: [fyi, request, approval, complaint, newsletter, security_alert], urgency: [low, normal, high, critical], route: [support, billing, legal, security, finance, archive], }, ) # Potential output: # {intent: request, urgency: high, route: legal}多标签头通过multi_label: True开启cls_threshold控制召回/精度权衡README 的训练格式表中明确cls_threshold仅推理时生效序数评分则把0~10当普通字符串标签传入。微调侧的 JSONL 行与推理 schema 一一对应task/labels/prompt/multi_label/true_label标签描述放label_descriptionsREADME 还给了一个反直觉提示序数头训练时每个标签独立打分loss 并不知道6比0更接近7所以评估序数头要同时看 MAE。这条提醒比基准数字更能反映作者对边界的诚实态度。三、榜单在榜但增速平缓真火还是待观察把舆情快照的指标摊开算热度画像比上热榜三个字冷得多。内容密度高但单源。9-26 至 10-04 共 15 篇相关中文文章累计阅读约 2536、收藏 49。其中 13 篇来自同一账号集中在 10-03 到 10-04 的 48 小时内发布平均单篇阅读约 135最高 263最低 5。这不是社区自发生长的讨论形态更接近内容投放的形态。掘金平台头部内容里没有出现任何实质讨论头条条目摘要为空Google 侧仅 9-26 早报一条——也就是说热榜互动几乎全部由单一内容源驱动。内容质量领先于核实。阅读最高的那篇 263 阅读CPU 实测文其架构描述与仓库配置存在硬性矛盾该文声称仓库实际config.json / encoder_config/config.json修改版 DeBERTa-v3-base12 层砍到 7 层hidden 640DeBERTa-v3-large24 层hidden 1024CRF 解码头 稀疏 GNN 关系推理分支Gliner2ForSchemaExtractionspan 头markerV0use_moe: false无任何 GNN/CRF 配置项词表控制在 50k 以内嵌入 4-bit 量化SPM 词表 128011dtype: float32pip install gliner2.5.0GLiNER.from_pretrained(gliner/gliner_medium)pip install gliner2[local]AutoExtractor.from_pretrained(fastino/GLiNER2.5-Decide)四条全错且错在核心架构层面行文又是凌晨三点收到通知perf 抓热点式的叙事体——这是典型的 AI 生成内容特征。值得警惕的结论是传播量最大的内容恰好是与事实偏差最大的内容。读者如果以 263 阅读那篇为入口理解这个模型会拿到一张完全不同的架构图。所以判断是热度是真的采用率待证。热榜第 14 说明互动速度真实存在且足以过榜但内容侧单源、总量两千余次阅读、最高流量文章与源码矛盾三者放在一起只能得出值得被注意到得不到已被广泛验证采用。榜单是互动斜率不是下载曲线更不是生产部署曲线。四、下一步该盯什么1. 复现那 60.2%。fast-decisions是 17 领域 × 300 样本的英文精确匹配基准且明确注明the same text and candidate labels for every model——同文本同候选标签是少数可以干净复现的对比口径。任何引用340M 打 4B的讨论都应先回到这张表复现门槛低Apache 2.0、CPU 可跑这是它最便宜的一块验证垫。2. 盯多语言缺口而不是盯参数量。340M 英文版 60.2% vs 287M multi-Decide 56.7%README 明确本发布不是通用模型多语言输入请用 multi-Decide。中文场景是最大空白本次舆情快照里所有中文教程都在教英文标签体系。谁先把 multi-Decide 的微调链路JSONL 格式已支持label_descriptions天然适合私有中文分类体系跑到公开数字谁就补上了这个叙事的下半句。3. 内容密度 vs 真实采用的背离用微调作业来校准。模型卡自带一条商业化路径SKILL.md 定义了完整托管 API数据集上传、训练作业提交、检查点评估、部署端点凭FASTINO_API_KEY走 OpenAPI其 Handoff 一节甚至要求没有对应 API 结果绝不宣称任务完成或模型改进。这类托管微调的使用量、以及社区是否出现真实 fork 与生产事故复盘比热榜名次更能代表采用率。在快照没有下载数据的情况下建议把内容投放停止后榜单是否掉出、是否出现非教程类的实战讨论作为第一观察窗口。4. 家族内的规模边际效应。1B 版 59.6% 340M 版 60.2%这个倒挂如果可复现说明该任务族的上限由 schema 接口与训练数据决定参数量是次要项。后续看家族会不会向更小规格收缩——那才是轻量 NER 叙事真正的拐点。5. 品类层面决策模型之争才刚开始。同一基准上有 JevK557.6%Jev 系生态两周内长出 28 个项目GLiNER2.5-Decide 赢它 2.6 个点。这一品类比拼的不是单一模型而是基准 微调服务 部署链路的组合。512 token 硬上限、多头批量打分、cls_threshold调参这些工程细节决定的是实际生产里的差距往往比榜单上的 3.8 个点更宽。回到开头的问题一个 340M 的模型为什么能上热榜因为它踩中了一个真实且可验证的痛点——高频、低延迟、标签频繁变更的运营决策用生成式模型去做是浪费用固定输出层的分类模型做又要每次重训。GLiNER2.5-Decide 用标签即输入的 span 架构把这两个成本都砍掉了并且用一张可复现的 17 领域基准把账算明了。至于这波热度值几分答案就在下一组数字里单源内容退潮之后榜单还剩多少斜率multi-Decide 的多语言版本能否交出对等的公开数字。模型已经把牌摊在桌面上了剩下的看采用侧跟不跟牌。【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 
长河君 · 2026/10/9 19:59:02 · 阅读 1.2k GLiNER2.5-Decide 悄悄冲进 HuggingFace 热榜第 14，连续 10 小时在榜：340M 小模型正在改写轻量 NER 叙事
GLiNER2.5-Decide 悄悄冲进 HuggingFace 热榜第 14连续 10 小时在榜340M 小模型正在改写轻量 NER 叙事【免费下载链接】GLiNER2.5-Decide项目地址: https://ai.gitcode.com/hf_mirrors/fastino/GLiNER2.5-Decide一个 340M 参数的英文分类模型在监测快照中进入 HuggingFace 热榜第 14 位、连续 10 小时在榜。这件事值得拆开看不是因为第 14 名本身而是因为它代表的路线不用 prompt 模板、不生成任何 token、标签集在调用时才注入、一次前向传播同时给多个决策头打分。当运营决策类任务意图、路由、紧急度、审核被从 LLM 的生成式范式里剥出来交给一个专门化的 span 架构小模型成本曲线会被彻底改写。这篇文章基于模型卡源码、配置与tokenizer细节、以及 9 月下旬以来全网社区舆情快照回答三个问题热榜第 14 是怎么来的这个模型在仓库里到底是什么以及这波热度哪些是信号哪些是噪音。一、热榜第 14 是怎么来的发布窗口与榜单口径先把能核实的时间线摆出来。时间2026事件证据来源09-26出现于发布周类周报与 Edge AI Daily 早报被归入开源轻量决策模型加速落地社区舆情快照09-27首篇 CSDN 实测文263 阅读为全簇最高社区舆情快照10-03 ~ 10-0413 篇 CSDN 教程文在 48 小时内集中发布社区舆情快照10-08 20:47 UTC模型卡仓库最后一次提交安装指令改为gliner2[local]extrapipeline 标签定为 text-classificationcommit 信息自述为第 8 个 PR本仓库 git log10-09热榜第 14、连续 10 小时在榜本次监测快照榜单口径上HuggingFace 趋势榜长期按单位时间内的互动增速likes/downloads 斜率排序而非累计存量。这意味着一个发布窗口仅约两周、参数量只有 340M 的模型能压进榜单前 14靠的是窗口期互动斜率足够陡而不是存量下载量。结合上表可以看出两次脉冲9 月底首波发布周曝光 单篇实测10 月初第二波13 篇教程集中投放 10-08 官方卡面翻新。第二波与本次在榜窗口重合方向性上说得通。需要诚实标注的是榜单内部算法与精确的下载曲线不对外公开本文快照中也没有下载量数据因此第 14 名只能作为互动速度的代理信号来用不能作为采用率的证据。这一点在下文的真火还是待观察里会用到。二、一句话定位340M 的决策版 GLiNER标签即输入README.md 给出的官方一句话是GLiNER2.5 家族中的 340M 英文分类模型调用时传入任意标签集——意图、路由、情感、优先级、策略与多标签——一次前向传播完成无 prompt 模板无生成 token。模型卡元数据base_model: fastino/gliner2-large-v1、license: apache-2.0、language: en、pipeline_tag: text-classification与之一致。2.1 基准60.2% 精确匹配赢在任务形态而非参数量README 给出的基准在fastino/fast-decisions数据集上17 个领域、每领域 300 条留出样本、所有模型使用相同文本与候选标签指标为精确匹配准确率模型AvgGLiNER2.5-Decide (340M)60.2%GLiNER2.5-Decide-1B59.6%JevK557.6%GLiNER2.5-multi-Decide (287M)56.7%SemIf基于 Qwen3.5-4B56.4%GLiFormer large-v149.0%Laya Router46.6%这张表有三个值得注意的点。第一340M 版比同族的 1B 版还高 0.6 个百分点——在这个家族里堆参数不是主要杠杆schema 接口形态才是。第二它压过的是一个 4B 参数的通用模型微调版SemIf差距 3.8 个点这是60.2% 打 4B这一传播话术的原始出处。第三榜上出现 JevK5——9 月下旬掘金上已有文章盘点Jev 火了两周开源生态长出 28 个项目说明决策模型正在成为一个品类GLiNER2.5-Decide 与 Jev 系是同一赛道上的直接对手比的是同一套 17 领域基准。2.2 源码级拆解分类为什么被做成了 span 匹配打开 config.json核心字段是{ architecture: span, architectures: [Gliner2ForSchemaExtraction], model_name: microsoft/deberta-v3-large, counting_layer: count_lstm, token_pooling: first, max_width: 8, span_head: { dropout: 0.1, max_width: 8, span_mode: markerV0 }, use_moe: false }architecture: span是理解这个模型的关键它把分类建模成文本中匹配出与某个候选标签对应的 span。标签集合不是输出层的一堆固定神经元而是作为结构输入注入的——这就是任意标签集、免重训练换业务的底层原因。span_mode: markerV0与max_width: 8表示标签 span 用结构标记符引导、宽度上限 8 个 token适配短标签名。tokenizer_config.json 里注册的 10 个特殊 token 把 schema 驱动接口落实到了词表层[SEP_STRUCT]、[SEP_TEXT]、[P]、[C]、[E]、[R]、[L]、[EXAMPLE]、[OUTPUT]、[DESCRIPTION]。文本段与结构段由不同 SEP 切分[DESCRIPTION]对应带自然语言描述的标签这一特性[EXAMPLE]对应 few-shot 示例注入。标签即输入输入侧的 token 结构就是 schema。encoder_config/config.json 确认编码器是标准 DeBERTa-v3-large24 层、hidden 1024、intermediate 4096、16 头、相对位置编码p2c/c2p 双向偏置max_position_embeddings: 512词表 128011SPM。340M 的参数大体由两部分构成128011×1024 的嵌入表约 131M其余约 200M 在 24 层编码器与 span 头上。同时512 的位置上限也解释了社区部署文章反复强调的长文档分块策略——它不是经验之谈而是配置里写死的硬约束。2.3 调用形态一次前向多决策头并行README 中的邮件分诊示例最能体现设计意图——同一段文本三个头同时打分model AutoExtractor.from_pretrained(fastino/GLiNER2.5-Decide) model.classify_text( From: compliancegroup.example\nSubject: Protocol update — action required today\n\nPlease confirm the new retention rule is applied before Fridays audit., { intent: [fyi, request, approval, complaint, newsletter, security_alert], urgency: [low, normal, high, critical], route: [support, billing, legal, security, finance, archive], }, ) # Potential output: # {intent: request, urgency: high, route: legal}多标签头通过multi_label: True开启cls_threshold控制召回/精度权衡README 的训练格式表中明确cls_threshold仅推理时生效序数评分则把0~10当普通字符串标签传入。微调侧的 JSONL 行与推理 schema 一一对应task/labels/prompt/multi_label/true_label标签描述放label_descriptionsREADME 还给了一个反直觉提示序数头训练时每个标签独立打分loss 并不知道6比0更接近7所以评估序数头要同时看 MAE。这条提醒比基准数字更能反映作者对边界的诚实态度。三、榜单在榜但增速平缓真火还是待观察把舆情快照的指标摊开算热度画像比上热榜三个字冷得多。内容密度高但单源。9-26 至 10-04 共 15 篇相关中文文章累计阅读约 2536、收藏 49。其中 13 篇来自同一账号集中在 10-03 到 10-04 的 48 小时内发布平均单篇阅读约 135最高 263最低 5。这不是社区自发生长的讨论形态更接近内容投放的形态。掘金平台头部内容里没有出现任何实质讨论头条条目摘要为空Google 侧仅 9-26 早报一条——也就是说热榜互动几乎全部由单一内容源驱动。内容质量领先于核实。阅读最高的那篇 263 阅读CPU 实测文其架构描述与仓库配置存在硬性矛盾该文声称仓库实际config.json / encoder_config/config.json修改版 DeBERTa-v3-base12 层砍到 7 层hidden 640DeBERTa-v3-large24 层hidden 1024CRF 解码头 稀疏 GNN 关系推理分支Gliner2ForSchemaExtractionspan 头markerV0use_moe: false无任何 GNN/CRF 配置项词表控制在 50k 以内嵌入 4-bit 量化SPM 词表 128011dtype: float32pip install gliner2.5.0GLiNER.from_pretrained(gliner/gliner_medium)pip install gliner2[local]AutoExtractor.from_pretrained(fastino/GLiNER2.5-Decide)四条全错且错在核心架构层面行文又是凌晨三点收到通知perf 抓热点式的叙事体——这是典型的 AI 生成内容特征。值得警惕的结论是传播量最大的内容恰好是与事实偏差最大的内容。读者如果以 263 阅读那篇为入口理解这个模型会拿到一张完全不同的架构图。所以判断是热度是真的采用率待证。热榜第 14 说明互动速度真实存在且足以过榜但内容侧单源、总量两千余次阅读、最高流量文章与源码矛盾三者放在一起只能得出值得被注意到得不到已被广泛验证采用。榜单是互动斜率不是下载曲线更不是生产部署曲线。四、下一步该盯什么1. 复现那 60.2%。fast-decisions是 17 领域 × 300 样本的英文精确匹配基准且明确注明the same text and candidate labels for every model——同文本同候选标签是少数可以干净复现的对比口径。任何引用340M 打 4B的讨论都应先回到这张表复现门槛低Apache 2.0、CPU 可跑这是它最便宜的一块验证垫。2. 盯多语言缺口而不是盯参数量。340M 英文版 60.2% vs 287M multi-Decide 56.7%README 明确本发布不是通用模型多语言输入请用 multi-Decide。中文场景是最大空白本次舆情快照里所有中文教程都在教英文标签体系。谁先把 multi-Decide 的微调链路JSONL 格式已支持label_descriptions天然适合私有中文分类体系跑到公开数字谁就补上了这个叙事的下半句。3. 内容密度 vs 真实采用的背离用微调作业来校准。模型卡自带一条商业化路径SKILL.md 定义了完整托管 API数据集上传、训练作业提交、检查点评估、部署端点凭FASTINO_API_KEY走 OpenAPI其 Handoff 一节甚至要求没有对应 API 结果绝不宣称任务完成或模型改进。这类托管微调的使用量、以及社区是否出现真实 fork 与生产事故复盘比热榜名次更能代表采用率。在快照没有下载数据的情况下建议把内容投放停止后榜单是否掉出、是否出现非教程类的实战讨论作为第一观察窗口。4. 家族内的规模边际效应。1B 版 59.6% 340M 版 60.2%这个倒挂如果可复现说明该任务族的上限由 schema 接口与训练数据决定参数量是次要项。后续看家族会不会向更小规格收缩——那才是轻量 NER 叙事真正的拐点。5. 品类层面决策模型之争才刚开始。同一基准上有 JevK557.6%Jev 系生态两周内长出 28 个项目GLiNER2.5-Decide 赢它 2.6 个点。这一品类比拼的不是单一模型而是基准 微调服务 部署链路的组合。512 token 硬上限、多头批量打分、cls_threshold调参这些工程细节决定的是实际生产里的差距往往比榜单上的 3.8 个点更宽。回到开头的问题一个 340M 的模型为什么能上热榜因为它踩中了一个真实且可验证的痛点——高频、低延迟、标签频繁变更的运营决策用生成式模型去做是浪费用固定输出层的分类模型做又要每次重训。GLiNER2.5-Decide 用标签即输入的 span 架构把这两个成本都砍掉了并且用一张可复现的 17 领域基准把账算明了。至于这波热度值几分答案就在下一组数字里单源内容退潮之后榜单还剩多少斜率multi-Decide 的多语言版本能否交出对等的公开数字。模型已经把牌摊在桌面上了剩下的看采用侧跟不跟牌。【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