Najlepsze modele NER w 2026 roku: spaCy, GLiNER, Transformers, LLMs
Tłumaczenie automatyczne Ten artykuł został automatycznie przetłumaczony z angielskiego oryginału.
Rozpoznawanie nazwanych encji (NER) wyszukuje i oznacza fragmenty tekstu, takie jak osoby, firmy i kody produktów. Ta strona jest przeznaczona dla inżynierów wybierających sposób ekstrakcji do obciążenia produkcyjnego. Stanowi punkt wyjścia, który można przetestować względem własnego schematu, dokumentów i ograniczeń operacyjnych.
Użyj spaCy dla stabilnych etykiet i szybkich pipeline’ów. Wybierz GLiNER, gdy etykiety często się zmieniają, bi-encoder, gdy duży zestaw etykiet może ponownie wykorzystywać cache’owane embeddings, albo dostrojony model Transformer do klasyfikacji tokenów, gdy masz oznaczone przykłady. Użyj ekstrakcji strukturalnej opartej na LLM, gdy potrzebujesz złożonego rekordu, a nie prostej listy fragmentów.
Ostatni przegląd: 2026-08-17. Kryteria wyboru: stabilność etykiet, zestaw etykiet, dane wyjściowe w postaci fragmentów lub rekordu, język, dane nadzorowane, opóźnienie, normalizacja i koszt weryfikacji.
Tabela decyzyjna
| Potrzeba | Najlepszy punkt wyjścia | Dlaczego |
|---|---|---|
| Szybkie NER ze znanymi etykietami | spaCy | Dojrzałe pipeline’y, dobra ergonomia, szybkie wdrożenie na CPU i integracja z regułami. |
| Nowe etykiety bez pełnego trenowania | GLiNER | Ekstrakcja uwarunkowana etykietami dobrze sprawdza się, gdy zestaw etykiet się zmienia. Zacznij od jasnych opisów typów, nie od samych nazw. |
| Duży zestaw etykiet wielokrotnego użytku | bi-encoder GLiNER | Może wstępnie obliczać i cache’ować embeddings etykiet zamiast kodować etykiety dla każdego dokumentu. |
| Encje i relacje w jednym przebiegu | Kandydat: GLiNER-Relex | Wspólnie ekstrahuje typy encji i relacji. Porównaj go z osobnymi etapami na docelowym schemacie relacji. |
| Encje oraz pola dokumentu lub klasyfikacja | GLiNER2 | Jego interfejs schematu łączy rozpoznawanie encji, klasyfikację i zadania ekstrakcji strukturalnej. |
| Zagnieżdżone lub nakładające się encje | Dekoder obsługujący zagnieżdżenia, w tym GLiNER z flat_ner=False | Płaskie dekodowanie eliminuje nakładanie się encji. Testuj zagnieżdżone fragmenty na adnotacjach zawierających oczekiwane wzorce nakładania. |
| Ekstrakcja wielojęzyczna lub obejmująca wiele skryptów | GLiNER-X lub model bazowy XLM-R | Żaden model nie wygrywa dla każdego języka. Testuj każdy docelowy język oraz sposób formułowania opisów typów. |
| Stabilne etykiety domenowe i reprezentatywne oznaczone fragmenty | Dostrojony klasyfikator tokenów lub pipeline spaCy | Ustal bazowy wynik nadzorowany, a następnie porównaj exact-span F1, opóźnienie i koszt na zbiorze domenowym. |
| Implicytne, międzyzdaniowe lub strukturalne pola | LLM lub rozwiązanie hybrydowe | Dane wyjściowe o strukturze ograniczają kształt odpowiedzi, ale nie gwarantują poprawności ekstrakcji. Waliduj dokładność pól na domenowym zbiorze testowym. |
| Wysokie ryzyko PII lub proces regulowany | Presidio oraz kandydat GLiNER2-PII | Połącz dane wyjściowe modelu z deterministycznymi kontrolami, mechanizmami redakcji i weryfikacją. |
Klasy narzędzi
| Klasa | Mocna strona | Słabość | Dobre zastosowanie |
|---|---|---|---|
| NER w spaCy | Szybkość, gotowość produkcyjna, obsługa reguł | Do niestandardowych etykiet wymaga trenowania lub reguł | Znane etykiety w systemach o dużej przepustowości. |
| GLiNER | Elastyczne etykiety w czasie inferencji | Jakość zależy od sformułowania etykiet i niedopasowania domeny | Szybka iteracja ontologii i etykiety long-tail. |
| Bi-encoder GLiNER | Cache’owane embeddings etykiet skalują się do dużych ontologii | Korzyści zależą od ponownego użycia etykiet i charakterystyki obciążenia | Zestawy etykiet używane ponownie — od dziesiątek do tysięcy. |
| GLiNER2 | Ekstrakcja schematów wielozadaniowych | Każde zadanie i połączony schemat nadal wymagają ewaluacji | Encje, klasyfikacja i pola strukturalne. |
| GLiNER-Relex | Wspólna ekstrakcja encji i relacji | Nowszy model wymagający porównań specyficznych dla zadania | Jawne schematy encja–relacja. |
| Klasyfikator tokenów Transformer | Wysoka dokładność nadzorowana | Wymaga oznaczonych fragmentów i ponownego trenowania | Stabilna ekstrakcja domenowa przy wystarczającej ilości danych. |
| Ekstrakcja LLM | Elastyczność schematu i rozumowanie | Większe opóźnienie, koszt i niedeterminizm | Złożone rekordy, wartości implicytne i procesy o małej liczbie żądań. |
| Reguły i słowniki | Deterministyczne dopasowywanie | Kruchy recall | Zgodność, identyfikatory, kody produktów i filtry końcowe. |
Jak wybrać
Zacznij od schematu encji, a nie od modelu.
Jeśli etykiety są stabilne i dostępne są reprezentatywne przykłady, dostrój klasyfikator tokenów. Porównaj go na wydzielonym zbiorze domenowym. Model przewiduje etykiety tokenów bez autoregresywnego generowania. Opóźnienie i koszt nadal zależą od modelu, sprzętu, rozmiaru batcha i stosu serwującego.
Jeśli etykiety zmieniają się co tydzień, użyj GLiNER lub ekstraktora LLM, dopóki ontologia się nie ustabilizuje. Napisz krótki opis typu dla każdej niejednoznacznej etykiety. Najnowsze badania nad hard zero-shot NER pokazują, że opisy poprawiają generalizację i zapobiegają uznawaniu wycieku etykiet za zdolność zero-shot. Celem jest ustalenie, jak powinien wyglądać schemat, zanim przeznaczysz budżet na adnotacje.
Jeśli ponownie wykorzystujesz duży zestaw etykiet, przed wspólnym enkoderem etykieta–tekst oceń bi-encoder. W artykule o bi-encoderze GLiNER odnotowano 61,5 micro-F1 na CrossNER. Autorzy raportują również do 130 razy większą przepustowość przy 1024 etykietach i wstępnie obliczonych embeddings, w warunkach testowych z użyciem H100. Wyniki te pokazują sposób skalowania. Nie są estymacją dla innego obciążenia produkcyjnego.
Jeśli dokumenty obejmują kilka języków, wykonaj benchmark dla każdego docelowego języka i skryptu. OpenNER 1.0 wykazał, że żaden pojedynczy model nie osiąga najlepszych wyników w całym zbiorze obejmującym 52 języki. Testuj zarówno opisy typów po angielsku, jak i lokalizowane, ponieważ tekst etykiety jest częścią wejścia modelu.
Jeśli dane wyjściowe są ustrukturyzowanym rekordem, a nie fragmentami, użyj LLM z ustrukturyzowanymi danymi wyjściowymi lub pipeline’u hybrydowego. LangExtract jest przydatny, gdy każda ekstrakcja musi wskazywać swoją lokalizację źródłową. NuExtract to opcja self-hosted do multimodalnej ekstrakcji dokumentów. Oba rozwiązania nadal wymagają ewaluacji na poziomie pól dla docelowych dokumentów.
Wiele biznesowych zadań ekstrakcji nie jest czystym NER. „Znajdź strony, zobowiązania, datę wejścia w życie, klauzulę wypowiedzenia i prawo właściwe” to rozumienie dokumentu z polami encji.
W przypadku PII użyj frameworka PII, takiego jak Presidio, jako warstwy integracji i redakcji. Traktuj GLiNER2-PII jako kandydata na model, a nie jako decyzję dotyczącą zgodności. Zmierz recall dla wrażliwych formatów, języków i dokumentów, które system będzie przetwarzać.
Pipeline produkcyjny
Produkcyjny pipeline ekstrakcji często dodaje wokół modelu kolejne etapy:
- Ekstrakcja kandydatów: spaCy, GLiNER, model Transformer, LLM, reguły lub ich kombinacja.
- Opcjonalna normalizacja lub entity linking: mapowanie fragmentów na kanoniczne identyfikatory, kody produktów, użytkowników, firmy lub wpisy ontologii.
- Walidacja i weryfikacja: odrzucanie niemożliwych etykiet, egzekwowanie ograniczeń schematu, usuwanie zduplikowanych fragmentów i kierowanie niepewnych przypadków do weryfikacji.
Normalizacja przekształca wyekstrahowany tekst w użyteczne dane produktowe. Znalezienie fragmentu „Apple” to dopiero pierwszy krok. System nadal musi ustalić, czy chodzi o firmę, owoc, rodzinę produktów czy ticker giełdowy, a następnie przypisać stabilny identyfikator.
Lista kontrolna ewaluacji
Mierz więcej niż F1 na poziomie encji:
- exact span F1
- relaxed span F1
- macierz pomyłek etykiet
- obsługa zagnieżdżonych encji
- dokładność normalizacji encji
- wrażliwość na opisy typów i język etykiet
- przekroje według języka, skryptu i formatu dokumentu
- false positives według etykiety
- kalibracja confidence
- opóźnienie i koszt na dokument
- odsetek korekt dokonywanych przez człowieka
Trzymaj zbiór testowy oddzielnie od projektowania schematu i dostrajania progów. Raportuj liczbę dokumentów i wzmianek o encjach dla każdej etykiety. Używaj przedziałów ufności na poziomie dokumentu, ponieważ wielokrotne wzmianki w jednym dokumencie mogłyby w przeciwnym razie sztucznie zawyżać pewność.
Dalsza lektura
- NER Guide 2026 omawia encodery, LLMs i trójwarstwową architekturę produkcyjną.
- Schema-Guided Reasoning ma zastosowanie, gdy NER staje się ekstrakcją strukturalną.
Referencje
- Dokumentacja GLiNER
- Artykuł o bi-encoderze GLiNER — cache’owane embeddings etykiet dla dużych zestawów.
- Dokumentacja GLiNER2
- Artykuł GLiNER-Relex — wspólna ekstrakcja encji i relacji.
- Artykuł ZeroNER — ewaluacja hard zero-shot z opisami typów.
- Artykuł OpenNER 1.0 — wielojęzyczna ewaluacja NER dla wielu ontologii.
- LangExtract — ekstrakcja LLM oparta na źródle.
- NuExtract — self-hosted multimodalna ekstrakcja.
- Presidio — framework do wykrywania i anonimizacji PII.
- Artykuł GLiNER2-PII — wielojęzyczny kandydat na model PII.
- Dokumentacja spaCy dotycząca named entities
- Przewodnik Hugging Face po klasyfikacji tokenów
- Przewodnik OpenAI po structured outputs