GLiNER2
PulseAugur coverage of GLiNER2 — every cluster mentioning GLiNER2 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的多语言隐私标记器性能超越 GLiNER2、Presidio 和 OpenAI
研究人员开发了一种新的多语言命名实体标记器，用于隐私 redaction，其性能优于 GLiNER2、Microsoft Presidio 和 OpenAI Privacy Filter 等现有工具。该标记器在多语言编码器上进行了微调，在 35 种语言中实现了 88.8 的 redaction F1 分数和 76.3 的精确类型跨度识别。该系统比本地 LLM 快得多，CPU 吞吐量是 GLiNER2 的 4.9 倍，使其在隐私保护文本…
-
Fastino 发布 GLiNER2.5，采用边界预测实现高效信息抽取
Fastino 发布了 GLiNER2.5，这是一种信息抽取模型，用边界预测取代了跨度枚举。这种架构改变允许更长的上下文窗口，最多可达 4,096 个词，并实现与序列长度相关的线性计算。该模型支持联合实体关系抽取、跨任务标签约束和每跨度属性，为现有方法提供了更灵活、更高效的替代方案。Hugging Face 上提供了三个检查点，适用于包括 CPU 推理在内的各种部署场景。
-
新的Opir模型为LLM提供高效的多任务安全分类
研究人员推出Opir，这是一系列新的基于编码器的护栏模型，专为大型语言模型应用中的高效多任务安全分类而设计。Opir模型基于GLiClass架构构建，能够检测不安全提示、有毒语言、越狱尝试和有害内容，其部署占用的空间比大型护栏模型小得多。这些模型在全面的分类法上进行了训练，并与评估工具一起开源，以支持各种安全分类任务。
-
GLiNER Guard 在单次推理中统一LLM安全与PII检测
一个名为GLiNER Guard (GLiGuard) 的新系统已被开发出来，用于简化大型语言模型的安全审核和PII检测。这个统一的编码器将多个分类器和NER模型折叠到一次前向传播中，与现有的自回归或碎片化编码器方法相比，显著降低了处理时间和成本。GLiGuard的模式驱动接口允许在不重新训练的情况下动态更改策略，使其成为生产LLM应用程序的更高效解决方案。
-
新的GLiNER2-PII模型在多语言PII提取方面表现出色
研究人员开发了GLiNER2-PII，一个紧凑的0.3十亿参数模型，用于多语言个人身份信息（PII）提取。该模型改编自GLiNER2，能够识别42种不同类型的PII，并达到字符跨度级别。为了克服数据稀缺和隐私问题，使用了一个受约束的生成管道创建了一个合成多语言语料库。与包括OpenAI的Privacy Filter在内的其他系统相比，GLiNER2-PII在SPY基准测试中表现出优越的性能，并且已在Hugging Face上发布。