GliNER2 是一个在自然语言处理领域具有重要意义的轻量级模型，标志着小型、专注型模型在结构化信息提取任务中的回归。尽管近年来大型语言模型（如 ChatGPT、Claude 和 Gemini）凭借其强大的生成能力，让许多 NLP 任务变得“自动完成”，但它们往往“杀鸡用牛刀”——资源消耗大，不适用于对效率和成本敏感的场景。GliNER2 正是为解决这一问题而生，它能在 CPU 上高效运行，同时提供高精度的实体识别、关系抽取和结构化数据提取能力。 GliNER2 的核心突破在于其基于模式的声明式设计。用户只需定义所需提取的实体类型、关系类型和结构化字段，即可在一次推理中完成多项任务。与 GliNER1 仅支持实体识别不同，GliNER2 将命名实体识别、文本分类、关系抽取和结构化 JSON 输出整合为统一框架，极大提升了开发效率。 在实际测试中，使用 Ada Lovelace 的维基百科文本进行评估，GliNER2 展现出强大的结构化提取能力。通过定义“Person”“Invention”“Event”等实体类型，并添加描述以减少歧义，模型准确识别出关键人物、发明与历史事件。关系抽取部分成功捕捉了“父母关系”“婚姻关系”“发明关系”等，尽管在“alias”与“same_as”等语义相近的关系上存在不一致，反映出模型对标签命名的敏感性。 最令人兴奋的是其结构化 JSON 提取功能。通过 extract_json 方法，用户可定义任意字段（如姓名、出生日期、描述等），直接从非结构化文本中提取结构化记录。例如，模型可自动提取 Ada Lovelace 的基本信息、亲属关系与婚姻状况，并输出标准 JSON 格式。尽管在性别推断、人物描述生成等方面仍有局限（如未识别 Ada 为女性，描述过于简略），但整体表现已远超传统规则系统。 此外，GliNER2 支持在单次调用中并行执行实体、关系与结构化提取，极大简化了数据处理流程。结合 Neo4j 等图数据库，可轻松构建知识图谱：原始文本作为“Chunk”节点，提取出的实体作为节点，关系作为边，同时保留原始来源，实现可追溯、可验证的知识构建。 总体来看，GliNER2 代表了 NLP 领域从“大模型泛化”向“小模型精准”转变的趋势。它并非要取代 LLM，而是在需要高效、稳定、可控制的结构化信息提取场景中，提供更优解。对于知识图谱构建、信息抽取、数据治理等任务，GliNER2 是一个强大、轻量、易部署的工具。其代码已开源，为开发者提供了完整实践路径。