企业官网建设流程全解析

一次调用，多项决策：GLiNER2.5-Decide如何单次前向同时打分意图、紧急度与路由

【免费下载链接】GLiNER2.5-Decide项目地址: https://ai.gitcode.com/hf_mirrors/fastino/GLiNER2.5-Decide

GLiNER2.5-Decide 是 GLiNER2.5 家族中的 340M 参数英文文本分类模型，主打「一次调用、多项决策」：你可以在单次前向推理中同时为一段文本打分意图、紧急度、路由队列等多个标签头，无需提示词模板，也不生成任何 token。适合意图分类、情绪分析、工单路由、垃圾邮件识别等运营决策场景，pip install gliner2后即可在本地 CPU/GPU 上运行。

它是什么：340M 参数的运营决策专用分类器

GLiNER2.5-Decide 不是一个通用大模型，而是一个「标签集在调用时才传入」的专用分类器：

• 编码器：DeBERTa-v3-large（24 层、隐藏维度 1024，见 encoder_config/config.json）
• 架构：span 结构的SpanExtractor，token_pooling为 first，不生成文本，只做打分（见 config.json）
• 参数规模：340M，CPU 或 GPU 均可跑通（权重文件 model.safetensors）
• 协议：Apache 2.0 开源，配套词表与分词器 tokenizer.json

它的定位很明确：不推理、不解释、不回答开放式问题，只负责对「客户意图、银行请求、情绪、优先级、文档类型、邮件路由、转人工、审核策略、严重级别、垃圾邮件」这类运营决策给出标签。

核心能力：单次前向同时给多个标签头打分 🎯

传统做法里，你要判断一封邮件「发送者想要什么、有多紧急、该归哪个团队」，往往要跑三次分类甚至串联多个提示词。而classify_text支持在一个调用里传入多个「头」，模型对同一段文本一次性完成打分：

model.classify_text( "From: compliance@group.example\nSubject: Protocol update — action required today\n\n...", { "intent": ["fyi", "request", "approval", "complaint", "newsletter", "security_alert"], "urgency": ["low", "normal", "high", "critical"], "route": ["support", "billing", "legal", "security", "finance", "archive"], }, ) # {"intent": "request", "urgency": "high", "route": "legal"}

一次前向，三个答案。路由系统因此不必把模型跑三遍，这是「Decide」系列最核心的卖点。

单标签 vs 多标签：两种返回形态

• 单标签任务（意图、路由、情绪）：返回一个字符串，例如{"intent": "refund_request"}
• 多标签任务（如产品方面、主题标签）：返回所有超过阈值的标签，例如{"aspects": ["battery", "keyboard", "screen"]}，可用multi_label: True和cls_threshold控制

除此之外，同一接口还支持：带描述标签（给标签名附加一句定义，私有分类体系无需换更大的模型）、序数打分（把"0"~"5"当普通字符串传入，输出 urgency 排名）、基于文段的 yes/no 问答（传入prompt问题）等玩法，全部在 README.md 的 Examples 一节有完整示例。

基准表现：17 个领域上跑赢更大的模型 📊

官方在fastino/fast-decisions基准（17 个领域、每域 300 条留出样例、统一文本与候选标签）上做了精确匹配评测：

340M 的模型反而拿到最高分——对追求低延迟、可本地部署的团队来说，「更小、更快、更准」正是选择它的理由。注意该基准是英文语料，多语言输入请使用同家族的 GLiNER2.5-multi-Decide。

快速上手：三步完成安装与首次调用 ⚡

pip install gliner2

from gliner2 import AutoExtractor model = AutoExtractor.from_pretrained("fastino/GLiNER2.5-Decide")

然后任选一个任务标签集调用classify_text即可，例如垃圾邮件二分类：

model.classify_text( "Your mailbox is almost full. Click here in the next hour...", {"label": ["spam", "ham"]}, ) # {"label": "spam"}

没有提示词要调、没有生成参数要调，标签集即产品目录——想改分类体系，直接改传入的标签列表。

典型应用场景清单

• 📥邮件分诊：意图 + 紧急度 + 路由一次给齐，收件箱落袋前拿到三个答案
• 🎫工单路由：员工描述问题而非部门，模型把工单直接开进正确队列（benefits、it_access…）
• 💬客服意图识别：退款、取消订阅、登录故障共享一个收件箱与标签集，首轮就启动正确工作流
• ⭐评论情绪与方面分析：先判 mixed，再用多标签头拆出 battery / keyboard / screen
• 🛡️内容审核：allow / personal_data / harassment / scam / spam 政策标签一次决策
• ✋转人工闸门：{"handoff": ["yes", "no"]}两标签判断，成本极低，适合每条消息都跑
• 📄文档类型识别：发票、合同、简历、会议纪要，作为抽取流程前的分流闸门
• ⏱️紧急度排序："0"~"5"字符串标尺，SLA 系统直接读取分数

如何接入托管训练与推理服务

如果不想自管模型，Fastino 提供托管 API：数据集上传、训练任务提交、checkpoint 评估与部署一条龙。SKILL.md 中定义了完整的 API 工作流——模型目录查询、数据集上传与状态轮询、训练任务提交与日志检查、推理调用与 checkpoint 部署等接口约定，以及训练数据准备与阈值调优的最佳实践，可把它当作接入手册参考。

资源导航

• 项目说明与全部任务示例：README.md
• 模型架构配置：config.json
• 编码器（DeBERTa-v3-large）配置：encoder_config/config.json
• 托管 API 工作流与数据准备指南：SKILL.md
• 分词器与特殊 token：tokenizer.json、special_tokens_map.json

一句话总结：如果你需要给意图、紧急度、路由、情绪等多个决策维度打分，又不想为每个维度单独跑一次模型，GLiNER2.5-Decide 的单次前向多头打分，就是那个「一次调用，多项决策」的答案。

【免费下载链接】GLiNER2.5-Decide项目地址: https://ai.gitcode.com/hf_mirrors/fastino/GLiNER2.5-Decide