GLiNER

一句话描述实体类型，零样本提取任意实体，轻量高效。

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 327 🐛 待处理 55 👀 关注 25

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 4236

维护状态较活跃

是否开源开源

定价模式 🏷️完全免费开源模型，Apache-2.0许可，可免费使用和部署，无付费版本。

项目预览

项目数据

分类开源模型

开发团队urchade

官网地址https://urchade.github.io/GLiNER

GitHubhttps://github.com/urchade/GLiNER

定价模式🏷️完全免费

价格说明开源模型，Apache-2.0许可，可免费使用和部署，无付费版本。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型information-extraction,large-language-models,named-entity-recognition,natural-language-processing,prompt-tuning

GitHub 星标★ 4236

上线时间2023-11-14 00:00:00

代码更新2026-10-31

仓库体积61.0 MB

本站数据更新2026-11-09

维护状态较活跃

收录时间2026-08-09

浏览次数5

项目介绍

GLiNER是一个通用且轻量的命名实体识别（NER）模型，旨在解决传统NER模型只能识别预定义实体类型、无法灵活适配新场景的问题。它允许用户通过自然语言描述任意实体类型（如“人名”、“产品名”、“疾病名”），模型即可从文本中提取对应实体，无需针对每个新类型重新训练。GLiNER基于双向Transformer编码器，参数量小（约168M），推理速度快，在多个基准测试上表现优于同等规模的微调模型，甚至接近大型语言模型的效果。核心能力包括：零样本实体识别、多类型同时提取、长文本处理、支持自定义实体类型。项目提供Python库和预训练模型，易于集成到现有NLP流程中，适合信息抽取、知识图谱构建、文本分析等应用。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 4236

技术标签

information-extraction large-language-models named-entity-recognition natural-language-processing prompt-tuning

使用教程

难度：入门约 10 分钟部署方式：库/依赖 5 步

环境要求

Python 环境（可用 pip 安装包）
可安装 pip 包的命令行环境（或使用更快的 uv）
能访问 Hugging Face 以下载预训练模型权重

安装与启动步骤

1安装 GLiNER

使用 pip 从 PyPI 安装 gliner 库，这是官方推荐的安装方式。
```
pip install gliner
```
2或用 uv 安装

如果本机已装 uv，可用它替代 pip 安装，速度更快。
```
uv pip install gliner
```
3可选装服务支持

需要 Ray Serve 部署能力时，安装带 serve 扩展的版本。
```
uv pip install gliner[serve]
```
4编写示例脚本

把 README 的基础示例保存为 .py 文件，注意 labels 用英文描述实体类型。
5运行脚本

执行脚本，首次运行会自动下载预训练模型权重，需要联网。
```
python gliner_demo.py
```

关键配置

配置项	必填	说明	示例
`model_id`	是	from_pretrained 加载的预训练模型名称	`gliner-community/gliner_small-v2.5`
`labels`	是	要抽取的实体类型列表，用自然语言描述	`["person", "date", "organization", "location"]`
`threshold`	否	实体识别置信度阈值，越高结果越少越精确	`0.5`