GLiNER2.5-Decide
Notas do quadrante
Ver o quadrante completoPontuação pela rubrica pública do quadrante (maturidade × capability; bolha = adoção). Revisamos conforme a evidência.
- Maturidade5.6/10
Pesos abertos, pacote pip, model card detalhado e inferência local em CPU/GPU; sem SLA hospedado e com ecossistema específico ainda pequeno.
- Capability6.1/10
Encoder orientado por schema resolve decisões single-label, multi-label, yes/no e ordinais em uma passada. A confidence é exposta, mas calibração e latência p50/p99 não foram publicadas de forma independente.
- Adoção18/100
O modelo tem 58 likes e 7 downloads no HF; o repositório GLiNER2 tem 2.169 stars, enquanto o anúncio chegou a 38,6 mil views no X.
Vendor claims
- Modelo encoder de decisão English de 340M, Apache-2.0, sem tokens gerados[Claim do fornecedor — não verificado independentemente]
- 60,2% de média na suíte Fast Decisions holdout[Claim do fornecedor — não verificado independentemente]
- Executa localmente em CPU ou GPU através do gliner2[Claim do fornecedor — não verificado independentemente]
GLiNER2.5-Decide é um modelo de decisão aberto da Fastino Labs para classificação operacional. Ele recebe texto e um schema em runtime, avalia vários heads em uma forward pass e retorna labels sem geração autoregressiva de texto. É independente da TypeSafe AI e não é um fine-tune do Jev.
O model card público descreve um modelo English de 340M, baseado em DeBERTa-v3-large. O uso local é feito pelo gliner2:
from gliner2 import AutoExtractor
model = AutoExtractor.from_pretrained("fastino/GLiNER2.5-Decide")
result = model.classify_text(
"Please cancel my subscription.",
{"intent": ["cancel_subscription", "refund_request", "other"]},
)A interface cobre choice, gates yes/no, scores ordinais e tags multi-label em uma única chamada. include_confidence=True adiciona valores de confidence, mas o release não publica ECE ou reliability study. Por padrão, trate esses valores como confidence do modelo, não como probabilidades calibradas.
Benchmark — UnverifiedClaim
O card reporta média de 60,2% em Fast Decisions, acima de JevK5 (57,6%), SemIf (56,4%) e Laya Router (46,6%). O anúncio afirma que o GLiNER2.5-Decide lidera em 9 de 17 datasets.
A suíte é própria da Fastino e voltada a decisões operacionais. O repositório público contém 100 exemplos de desenvolvimento por domínio e afirma que o split de teste, com 300 exemplos por domínio, foi mantido reservado; os dados de teste não são públicos. Portanto, os números não são reproduzíveis de forma independente a partir do dataset publicado.
Caveat de metadata
O card e o anúncio dizem 340M parâmetros, enquanto a API do Hugging Face informa 486.444.053 parâmetros nos metadados do safetensors. A diferença pode refletir o artefato completo encoder + heads, mas precisa ser explicada antes de tratar o model card como final.
Fit / anti-fit
Fit: routing local, triagem de suporte, classificação de documentos, moderação, urgência e outras decisões operacionais.
Anti-fit: respostas abertas, geração, explicações, entrada multilíngue sem o checkpoint multilíngue separado ou qualquer promessa de probabilidades calibradas compatíveis com o Jev.