在自然语言处理（NLP）技术不断演进的今天，信息抽取（Information Extraction, IE）依然是连接非结构化文本与结构化数据的关键环节。传统的信息抽取模型通常依赖于“滑动窗口”技术来寻找实体，这种 Span Enumeration 方法虽然有效，但随着实体长度的增加，计算成本会呈指数级上升，成为模型扩展的瓶颈。
针对这一痛点，AI 研究机构 Fastio 近期发布了其最新版本 GLiNER2.5。作为 GLiNER 系列的最新迭代，该模型在架构上进行了根本性的革新，旨在通过更高效的算法提升信息抽取的准确性与计算效率。
核心创新：移除 Span 枚举，引入边界预测
GLiNER2.5 的最大亮点在于其架构的根本性变革。Fastio 团队摒弃了传统的 Span Enumeration 策略，转而采用“边界预测”机制。这一机制类似于计算机视觉中的目标检测（如 YOLO 算法），模型不再通过逐个滑动窗口进行暴力搜索，而是通过注意力机制一次性预测文本中实体的边界。
这种方法的显著优势在于消除了“宽度惩罚”。在旧架构中，处理一个包含 50 个词的实体所需的计算量远超处理 5 个词的实体。而在 GLiNER2.5 的边界预测架构下，无论实体是短是长，模型的计算复杂度基本保持恒定，从而极大地提升了处理长文本的能力。
性能提升与功能增强
除了架构优化，GLiNER2.5 在功能上也进行了全面升级。该版本引入了“联合实体-关系解码”功能，这意味着模型不再仅仅局限于识别实体，还能在同一处理流程中直接推断出实体之间的关系，这对于构建知识图谱尤为重要。此外，模型还支持“约束分类”和“Span 属性”识别，允许开发者根据特定业务逻辑对输出结果进行更精细的控制。
在性能基准测试中，GLiNER2.5 表现出了卓越的泛化能力。在 16 个 zero-shot（零样本）基准测试集上，其总体 Macro F1 分数达到了 56.17。这一成绩在无需针对特定任务进行微调的情况下依然保持高位，证明了其作为通用信息抽取器的强大潜力。
开源生态与部署友好性
为了推动技术落地，Fastio 选择了开源路线。GLiNER2.5 采用了宽松的 Apache 2.0 许可证，并发布了三个不同规模的模型检查点，参数量分别为 7400 万、1.94 亿和 2.87 亿。
值得一提的是，该模型的一个关键特性是“CPU 可运行”。在通常需要高性能 GPU 的 NLP 任务中，能够直接在 CPU 上流畅运行大模型极大地降低了开发者的硬件门槛，使得个人开发者、中小型企业以及边缘设备上的应用部署成为可能。同时，模型支持的 4,096 字上下文长度，也足以应对大多数长文档的信息抽取需求。
总体而言，GLiNER2.5 的发布标志着信息抽取领域正朝着更高效、更通用、更易用的方向发展。对于需要从海量非结构化文本中提取关键信息的行业，如金融分析、医疗记录处理和舆情监测，这一工具无疑提供了极具吸引力的解决方案。
信息来源：MarkTechPost，原文链接：https://www.marktechpost.com/2026/08/24/fastino-releases-gliner2-5-a-boundary-prediction-architecture-that-removes-span-enumeration-from-information-extraction/
