Project Icon

GLiNER

通用轻量级命名实体识别模型

GLiNER是一个通用轻量级的命名实体识别模型,采用双向转换器编码器架构。它能识别任意类型的实体,填补了传统NER模型和大型语言模型之间的空白。GLiNER具有灵活性高、体积小、效率高的特点,适用于资源受限的场景。该模型支持自定义实体类型,可应用于信息提取、文本分类等多种自然语言处理任务。

gliner_medium-v2.1 - 多功能通用型命名实体识别模型GLiNER
GLiNERGithubHuggingface人工智能命名实体识别开源项目机器学习模型自然语言处理
GLiNER是一种基于双向Transformer编码器的命名实体识别模型,可识别任意类型的实体。该模型为资源受限场景提供了实用的替代方案,克服了传统NER模型仅限预定义实体的局限性,同时避免了大型语言模型的高成本问题。GLiNER支持多语言,提供不同规模的版本,安装使用简便。在NER基准测试中表现优异,适用于多种应用场景。
gliner_base - 灵活的命名实体识别模型,适用各种场景
BERTGLiNERGithubHuggingface命名实体识别多语言开源库开源项目模型
GLiNER是基于双向Transformer编码器的命名实体识别模型,能够识别多种实体类型,是传统NER模型的实用替代方案。与大型语言模型相比,GLiNER在资源受限场景中更高效且成本更低。该模型支持多语言并易于安装,用户可通过Python库轻松集成和使用。最新版本更新了多个模型参数,提升了性能,适合广泛的语言环境。该模型由Urchade Zaratiana等人开发,旨在提升科研和工业界的文本分析能力。
gliner_multi-v2.1 - 多语言命名实体识别模型兼顾灵活性与资源效率
GLiNERGithubHuggingface命名实体识别多语言模型开源项目机器学习模型自然语言处理
GLiNER是一种基于双向Transformer编码器的多语言命名实体识别模型,能够识别任意类型的实体。与传统NER模型和大型语言模型相比,GLiNER在保持性能的同时提高了资源效率。该模型提供多个版本,参数量介于166M至459M之间,支持英语和多语言处理,并采用Apache-2.0开源许可。GLiNER为资源受限的应用场景提供了一个实用的NER解决方案。
gliner_large-v1 - 资源友好的多实体识别模型,为多种应用场合提供灵活解决方案
GLiNERGithubHuggingfacePile-NER数据集双向变压器编码器命名实体识别开源项目模型模型训练
GLiNER是通过双向转换器编码器实现的命名实体识别模型,可识别多种实体类型。它是传统NER模型和大型语言模型这两者的高效替代,特别适合资源有限的场合。GLiNER在Pile-NER数据集上经过训练,具备灵活性且不受实体类型限制。用户可通过安装并导入GLiNER库轻松进行实体识别。
gliner_large-v2.1 - 通用命名实体识别模型,适合资源有限的应用场景
GLiNERGithubHuggingface双向Transformer命名实体识别多语言开源开源项目模型
GLiNER是使用双向Transformer编码器的通用命名实体识别模型,能够识别多种实体类型。相比于传统NER模型和体积庞大的语言模型,GLiNER在资源有限的情况下表现出卓越的灵活性和效率。最新的GLiNER v2.1版本支持单语和多语模型,性能表现依旧出色。用户可以通过安装GLiNER Python库,将其方便地集成到项目中,适用于多种语言的文本预测任务。
gliner_large-v2.5 - 利用双向变压器编码器的通用命名实体识别模型
GLiNERGithubHuggingface双向Transformer编码器命名实体识别多语言开源项目模型语言模型
GLiNER是一款通用命名实体识别模型,基于BERT风格的双向变压器编码器,能够识别广泛的实体类型,如人名、奖项和日期等。与传统模型相比,它无需预定义实体,且在资源受限的环境中比大型语言模型更具实用性和经济性。通过安装GLiNER Python库,即可轻松加载并预测实体。最新版在基准测试中表现出色。
gliner_small-v2.1 - 基于双向Transformer的轻量级通用实体识别模型
GLiNERGithubHuggingface命名实体识别开源项目机器学习模型模型训练自然语言处理
gliner_small-v2.1是一个基于双向Transformer架构的命名实体识别模型,具备识别任意类型实体的能力。这款模型采用166M参数规模,在保持较小资源占用的同时提供灵活的实体识别功能。模型支持英语处理,采用Apache-2.0许可证开源发布。相比传统NER模型的固定实体类型限制和大语言模型的高资源消耗,该模型提供了一个平衡的解决方案。
gliner_multi - 灵活识别多语言实体的开源NER模型
GLiNERGithubHuggingface命名实体识别多语言模型开源项目机器学习模型自然语言处理
GLiNER-multi是一个基于双向Transformer架构的开源多语言命名实体识别模型。它能够灵活识别各种实体类型,填补了传统NER模型与大型语言模型之间的空白。该模型在Pile-NER数据集上训练,支持多语言处理,易于集成到不同的自然语言处理应用中。GLiNER-multi在保证性能的同时优化了模型规模,适用于计算资源有限的场景。
gliner_multi_pii-v1 - 多语言支持的高效个人隐私信息识别模型
GLiNERGithubHuggingface命名实体识别开源项目数据安全模型身份验证隐私信息识别
GLiNER是一个基于BERT的命名实体识别模型,专门用于识别个人身份信息(PII)。该模型支持60多种PII实体类型,包括姓名、组织、电话、地址和护照号码等,并可在多语言环境中使用。与传统NER模型和大型语言模型相比,GLiNER在保持灵活性的同时大幅降低了资源消耗,特别适合在资源受限的场景中进行PII检测。
NuNER_Zero - 优化GLiNER架构的零样本命名实体识别模型
GLiNERGithubHuggingfaceNuNER Zero命名实体识别开源项目模型自然语言处理零样本学习
NuNER Zero是一种基于GLiNER架构的零样本命名实体识别模型,通过NuNER v2.0数据集训练。作为token分类器,它可识别任意长度的实体。在GLiNER基准测试中,NuNER Zero的token级F1分数较GLiNER-large-v2.1提升3.1%,成为当前性能领先的紧凑型零样本NER模型。该模型采用实体类型与文本拼接的输入方式,并具有便捷的安装与使用流程。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号