Fastino เปิดตัว GLiNER2.5 สถาปัตยกรรมสกัดข้อมูลรูปแบบใหม่ ยกเลิก Span Enumeration เพื่อประสิทธิภาพสูงสุด

ทีมพัฒนาด้านการสกัดข้อมูล (Information extraction) มักต้องเผชิญกับข้อจำกัดในการเลือกใช้งานเครื่องมือ ระหว่างโมเดล encoder ขนาดเล็กที่มีราคาถูกแต่ปรับแต่งยาก กับโมเดลภาษาขนาดใหญ่ (LLM) ที่มีความยืดหยุ่นสูงแต่มีต้นทุนต่อเอกสารแพง ล่าสุด Fastino ได้เปิดตัว GLiNER2.5 เพื่อทลายข้อจำกัดดังกล่าวโดยเฉพาะ

การอัปเดตครั้งนี้มีการเปลี่ยนแปลงสำคัญคือการเปลี่ยนจากระบบ span enumeration มาเป็นการทำนายขอบเขต (boundary prediction) โดยโมเดลจะใช้วิธีให้คะแนนเพื่อระบุจุดเริ่มต้นและจุดสิ้นสุดของเอนทิตี แทนการไล่ให้คะแนนทุกๆ span ที่เป็นไปได้ตามตารางความกว้าง การปรับปรุงนี้ช่วยปลดล็อกข้อจำกัดเรื่องความกว้างสูงสุดของเอนทิตี ทำให้รองรับบริบทได้ยาวถึง 4,096 คำ และเปลี่ยนการคำนวณให้เป็นแบบเชิงเส้น (linear) ตามความยาวของลำดับข้อมูลสำหรับแต่ละ schema

นอกจากประสิทธิภาพที่เพิ่มขึ้นแล้ว GLiNER2.5 ยังรองรับการถอดรหัสเอนทิตีและความสัมพันธ์ร่วมกัน (joint entity-relation decoding) การกำหนดข้อจำกัดเลเบลข้ามงาน (cross-task label constraints) และการระบุแอตทริบิวต์ต่อ span จากการทดสอบผ่าน 16 เกณฑ์มาตรฐานแบบ zero-shot พบว่ารุ่น multilingual ทำคะแนน macro F1 โดยรวมได้ 56.17 สูงกว่า GLiNER2 ที่ทำไว้ 56.09 โดยเฉพาะใน XNLI ที่มีคะแนนพุ่งสูงขึ้นถึง 24.75 จุด

ปัจจุบัน Fastino ได้ปล่อย checkpoint ทั้งหมด 3 ขนาด ได้แก่ 74M, 194M และ 287M parameters บน Hugging Face ภายใต้ลิขสิทธิ์ Apache 2.0 ซึ่งทุกรุ่นถูกออกแบบมาให้สามารถใช้งานได้หลากหลายสถาปัตยกรรม

Is it deployable?

ใช่, Fastino ได้ปล่อย GLiNER2.5 ทั้งสาม checkpoint บน Hugging Face ภายใต้ Apache 2.0 พร้อมสำหรับการทำ inference ภายในเครื่องผ่าน CPU, CUDA หรือ MPS ได้ทันทีผ่านคำสั่งต่อไปนี้:

pip install gliner