GitHub-радар
GLiNER2.5-Decide: маленькая модель сортирует сообщения сама
Компания Fastino выпустила компактную модель, которая с одного захода раскладывает любой текст по вашим собственным категориям — жалоба это или вопрос, спам или нет, нужен ли человек. Работает без обучения под конкретную задачу и без своего облака.
GLiNER2.5-Decide от компании Fastino — модель на 340 миллионов параметров: ей передают любой набор меток прямо в запросе — намерение клиента, куда направить заявку, тональность, срочность, спам или нет — и она сразу оценивает несколько таких шкал за один проход, без шаблона в запросе и без переобучения под конкретную задачу. На собственном тесте компании — 17 доменов по 300 примеров — модель показывает 60,2% точных совпадений, обгоняя куда более крупную Qwen3.5-4B с результатом 56,4% — а та примерно в 12 раз крупнее. Авторы честно пишут про ограничения: это не универсальная модель, она не рассуждает и не объясняет, только выдаёт запрошенные метки. Работает на процессоре или видеокарте через небольшой пакет `gliner2` на Python.
Зачем это вайб-кодеру
Если часть вашей работы — раскладывать входящие тексты по категориям: заявки в поддержку, отзывы, заявки от клиентов, — агент может собрать вокруг этой модели небольшой скрипт вместо того, чтобы платить за каждый вызов большой модели. Она умеет ровно одно: раскладывать текст по меткам, которые вы задаёте, а не писать или объяснять что-либо. Это не недостаток, а честная граница применения — для такой узкой задачи размер и цифры теста делают её разумным выбором против намного более крупной общей модели.
Как поставить
Скопируйте и отправьте своему агенту — Claude Code, Codex, любому:
Поставь мне модель GLiNER2.5-Decide от компании Fastino: https://huggingface.co/fastino/GLiNER2.5-Decide — установи пакет gliner2, напиши небольшой скрипт, который раскладывает мои входящие сообщения по категориям вроде «жалоба», «вопрос», «спам», и покажи результат на трёх примерах.
Обычный ноутбук без видеокарты — модель весит около 1 ГБ и по описанию авторов работает и на процессоре, и на видеокарте.
Открыть на Hugging Face▌ Ещё находки