一句话描述实体类型，零样本提取任意实体，轻量高效。
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。
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 gliner2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 gliner3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| 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 |
运行示例脚本后，终端依次打印出人物、日期、组织、地点四类实体及其对应标签，即表示安装与推理正常。
Q：pip 安装太慢怎么办？
A：可改用官方给出的 uv pip install gliner，或单独安装带 serve 扩展的 gliner[serve] 版本。
Q：识别结果太多或太少怎么办？
A：调整 predict_entities 的 threshold 参数，示例中使用的是 0.5，调高会更严格，调低会召回更多实体。
Q：可以识别中文实体吗？
A：实体类型由 labels 自由指定，用自然语言描述即可，无需针对新类型重新训练模型。
spaCy、Stanza、Hugging Face Transformers
GLiNER 是计算机视觉领域的开源项目，由 urchade 开发，2023 年首次发布。
在全站 13,014 个收录项目中，它的 GitHub 星标数（3,923）位列前 30%，在计算机视觉分类的 446 个项目里位列前 11%。
近 42 天，它的 GitHub 星标从 3,531 增加到 3,923，净增 392。
项目目前处于活跃维护状态，最近一次代码更新于 2026-09-23。Apache-2.0许可，可免费使用和部署，无付费版本。
它主要面向的使用场景是：信息抽取：从新闻、报告、论文中提取人名、机构、事件等。同类可对比的替代方案包括 spaCy、Stanza、Hugging Face Transformers。
上一篇：PaDT
下一篇：ImageIndexer
modlens
开源
给纯文本编码代理装上眼睛，粘贴图片即刻获得结构化视觉证据。
The first vision plugin for DeepSeek Harness, and the vision bridge for every text-o···
opencv
开源
开箱即用的视觉算法库，搞定图像视频处理与识别
Open Source Computer Vision Library
OpenCVTutorials
开源
中文 OpenCV 教程，从入门到实战，边看边跑代码
OpenCV-Python4.1 中文文档
DEIMv2
开源
用DINOv3做实时检测，又快又准，直接落地。
[DEIMv2] Real Time Object Detection Meets DINOv3