SauerkrautLM-GLiNEREL-314m

SauerkrautLM-GLiNEREL-314m от VAGO Solutions — энкодерная модель на 314.2M параметров (633 MB), построенная на LiquidAI/LFM2.5-Encoder-230M. Она за один проход извлекает именованные сущности, PII и отношения, а метки задаются свободным текстом прямо на инференсе. Поддерживаются английский, немецкий, французский, итальянский и испанский.

✨ Ключевые особенности

• ✅ Совместное извлечение NER, PII и отношений за один проход; метки задаются свободным текстом на инференсе.
• 🌎 Пять языков: английский, немецкий, французский, итальянский, испанский.
• ⏳ 314.2M параметров (633 MB); 2.83 ms на текст на NVIDIA H100 (fp16) и 73.8 ms на CPU Apple M3 Pro.
• 🔥 Overall score 66.4 на четырёх relation-бенчмарках; средний relation F1 53.9 — примерно вдвое выше Qwen3.8-27B без reasoning (27.5).
• 💻 Быстрая библиотека glinerel-fast на PyTorch без transformers; есть pruned-версии 128m и 72m.

💻 Пример

from glinerel_fast import GLiNERel

model = GLiNERel.from_pretrained('VAGOsolutions/SauerkrautLM-GLiNEREL-314m')
result = model.extract(
    'Marie Curie was born in Warsaw. She married Pierre Curie, a professor at the University of Paris.',
    entities=['person', 'location', 'organization'],
    relations=['born in', 'spouse', 'works for'],
)

Подробнее

Overall score — 66.4 на четырёх relation-бенчмарках; средний relation F1 53.9 примерно вдвое выше Qwen3.8-27B без reasoning (27.5).
Латентность: 2.83 ms на текст на NVIDIA H100 (fp16) и 73.8 ms на CPU Apple M3 Pro — в 3.1 раза быстрее reference.
33-страничный PDF превращается в knowledge graph за 0.39 s на GPU; 4B generative model тратит 17.6 s на один абзац.
Лицензия — LFM Open License v1.0; есть pruned-версии 128m и 72m.