Fastino wydało GLiNER2.5, model ekstrakcji informacji, który zmienia fundamentalny sposób, w jaki systemy identyfikują jednostki w tekście. Zamiast wyliczać wszystkie możliwe rozpiętości tekstu i oceniać każdą kandydaturę, nowy model predykuje bezpośrednio, gdzie jednostka się zaczyna i kończy. Ta zmiana architektury eliminuje maksymalną szerokość jednostki, umożliwia obsługę kontekstu do 4096 słów i utrzymuje złożoność obliczeniową liniową względem długości sekwencji.
Model obsługuje również zaawansowane funkcje jak wspólne dekodowanie jednostek i relacji, ograniczenia etykiet między zadaniami oraz atrybuty per-jednostka. Trzy checkpointy dostępne na Hugging Face pod licencją Apache 2.0 (74M, 194M i 287M parametrów) uzyskują wynik 56.17 macro F1 na 16 benchmarkach zero-shot, nieznacznie prześcigając poprzednią wersję GLiNER2 przy spektakularnym wzroście 24.75 punktów na XNLI. Wersje o rozmiarze 74M i 194M działają efektywnie na standardowych procesorach CPU, co oznacza, że mały zespół może wdrożyć ekstrakcję bez budżetu na GPU.
To ma praktyczne znaczenie dla branż takich jak obsługa dokumentów prawnych, dokumentacja kliniczna w ochronie zdrowia czy usługi finansowe. Dotychczas organizacje stały przed wyborem między tanimi, sztywnymi modelami enkoderów a elastycznymi, ale droższymi dużymi modelami języka. GLiNER2.5 zmniejsza tę przepaść, oferując dużym organizacjom privatnie hostowaną, fin-tunowalną alternatywę do ekstrakcji per-token za pomocą LLM, bez konieczności korzystania z API dostawców inferencji.