GLiNER2.5-Decide vs 1B版 vs multi-Decide英文与多语言场景该选哪个模型选型指南【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 GLiNER2.5 家族中的 340M 参数英文文本分类模型单次调用即可完成意图分类、情感分析、工单路由、文档分类等运营决策任务。本文对比 340M 版、1B 版与多语言版 multi-Decide 的差异帮你快速回答英文场景和多语言场景到底该选哪个分类模型30秒快速选型结论先说你的情况直接选理由输入基本是英文✅ GLiNER2.5-Decide340M英文基准 60.2%三个版本中最高输入含多种语言 GLiNER2.5-multi-Decide287M官方明确推荐的多语言版本要用自有数据微调、资源充足GLiNER2.5-Decide-1B1B更大的基座英文基准 59.6%CPU / 低资源部署GLiNER2.5-Decide 或 multi-Decide均为小模型官方说明可在 CPU 或 GPU 上运行一句话总结英文选 340M 版多语言选 multi-Decide1B 版留给要微调且算力够的场景。三款 GLiNER2.5-Decide 模型参数对比项目GLiNER2.5-DecideGLiNER2.5-Decide-1BGLiNER2.5-multi-Decide参数量340M1B287M面向语言英文英文多语言英文基准平均分60.2%59.6%56.7%定位英文运营决策分类更大的英文基座多语言决策分类许可证Apache 2.0——340M 版的完整档案见 README.md模型结构配置span 解码头 DeBERTa-v3-large 编码器见 config.json。基准数据为什么英文任务 340M 反而赢过 1B官方在 fastino/fast-decisions 数据集上做了横向评测17 个业务领域、每领域 300 条留出样本所有模型使用相同的文本和候选标签指标为精确匹配准确率模型平均准确率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%两个值得注意的信号更大不等于更强1B 版比 340M 版参数多约 3 倍平均分却低 0.6 个百分点。在英文运营决策任务上340M 版是精度/成本最优解。该套件是纯英文的官方明确说明输入是多语言时应改用 GLiNER2.5-multi-Decide——这是选型的第一分水岭。GLiNER2.5-Decide 的特色一次调用任意标签集它不是类别固定的老式分类器而是schema 驱动每次调用时把候选标签传进去模型单次前向传播直接给出决策无需 prompt 模板、不生成 token。这意味着标签集即产品目录客服意图、银行业务、航班请求、门诊请求、评论情感、新闻主题、文档类型全部走同一套接口多头并行打分一封邮件可同时输出intent、urgency、route三个头路由器不必把模型跑三遍多标签支持商品评论可同时命中battery、keyboard、screen多个方面进阶玩法标签可附带文字描述私有分类体系也能精准、支持 0–10 序数评分甚至能对一段文字回答是/否问题。注意边界它不是通用模型——不做推理、不写解释、不回答开放问题只负责运营决策分类。3 行代码上手安装与加载pip install gliner2from gliner2 import AutoExtractor model AutoExtractor.from_pretrained(fastino/GLiNER2.5-Decide)一个最小调用示例——传入文本和候选意图标签集model.classify_text( Can I get that charge refunded?, {intent: [refund_request, login_problem, speak_to_human, other]}, ) # 可能的返回{intent: refund_request}切换版本时只需把模型名换成对应的 1B 或 multi-Decide 版本调用方式不变。选型三问语言、精度、资源按顺序回答三个问题基本就能定模型1️⃣ 输入语言是什么英文为主 → 进入下一问混杂多语言 → 直接选 GLiNER2.5-multi-Decide官方对多语言只有这一条推荐。2️⃣ 是否需要超越开源基线的精度340M 版 60.2% 的成绩已超过 JevK557.6%、4B 级的 SemIf56.4%等对比模型。如果你的业务域与基准的 17 个领域客服、银行、旅行、医疗、邮件工单等接近直接用它即可。3️⃣ 算力和微调需求只需推理340M 版即可在 CPU 上跑要用自有标签体系微调、且 GPU 预算充足可以评估 1B 版作为基座但注意官方英文基准并未显示它有精度优势。官方同时提供 Fastino 托管 API 的一站式流程上传数据集 → 提交训练任务 → 评估检查点 → 部署详见 SKILL.md。常见业务场景推荐场景推荐模型说明英文客服工单自动路由GLiNER2.5-Decide意图 紧急度 路由一次出结果英文评论情感/方面分析GLiNER2.5-Decide多标签头同时输出情感与方面多语言客服机器人前置决策GLiNER2.5-multi-Decide唯一官方多语言推荐英文发票/合同/简历文档分类GLiNER2.5-Decide分类结果直接对接抽取与流转自有标签体系微调GLiNER2.5-Decide-1B资源允许时更大基座用开发集验证后再上选分类模型时的常见疑问FAQ340M 版能处理多长的输入编码器最大位置为 512 个 token见 encoder_config/config.json 中max_position_embeddings配置长文档建议先切块再分类。1B 版必须用 GPU 吗官方 README 只对 340M 版写明CPU 或 GPU 均可。1B 版参数约为其 3 倍实际部署建议以 GPU 为主并在你的硬件上压测延迟。可以微调吗可以。本地推理通过gliner2库完成训练侧可走 Fastino 托管 API数据集上传、训练任务、检查点评估与部署流程见 SKILL.md。许可协议是什么340M 版为 Apache 2.0可自由用于商业场景。选型速查表英文 只推理→ GLiNER2.5-Decide340MCPU 可跑基准最高多语言→ GLiNER2.5-multi-Decide287M官方唯一多语言推荐要微调且算力充足→ GLiNER2.5-Decide-1B用自有开发集验证收益后再切换记住边界→ 三者都是运营决策分类器不是通用问答模型。更多示例与完整基准说明见 README.md词表与分词配置见 tokenizer_config.json。【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