GliNER2 stellt einen bedeutenden Fortschritt im Bereich der strukturierten Textextraktion dar, indem es eine kompakte, aber leistungsstarke Alternative zu großen Sprachmodellen (LLMs) wie ChatGPT oder Gemini bietet. Während LLMs für vielfältige NLP-Aufgaben geeignet sind, erweisen sich bei spezifischen, wiederholbaren Aufgaben wie der Entitätserkennung, Beziehungsextraktion und strukturierten Datenformate oft als überdimensioniert. GliNER2, insbesondere die Version fastino/gliner2-large-v1, vereint mehrere klassische NLP-Task in einer einzigen, schema-basierten Architektur. Im Gegensatz zu früheren Modellen wie SpaCy oder GliNER1, die auf spezialisierte Aufgaben beschränkt waren, ermöglicht GliNER2 nun die gleichzeitige Ausführung von Entitätserkennung, Beziehungsextraktion und strukturiertem JSON-Ausgabe in einem einzigen Inference-Schritt – alles auf der CPU, ohne erheblichen Ressourcenverbrauch. In einer praktischen Anwendung anhand des Wikipedia-Artikels über Ada Lovelace zeigte GliNER2 eine hohe Genauigkeit bei der Erkennung von Personen, Orten, Erfindungen und historischen Ereignissen. Die Erweiterung um benutzerdefinierte Beschreibungen für Entitäten verbessert die Präzision, insbesondere bei mehrdeutigen Kategorien wie „Event“. Bei der Beziehungsextraktion wurden wichtige Verbindungen wie „Eltern von“, „verheiratet mit“ oder „arbeitete an“ korrekt erkannt, wenngleich die Unterscheidung zwischen ähnlichen Relationen wie „alias“ und „same_as“ problematisch ist – ein Hinweis auf die Sensibilität gegenüber Label-Namen. Besonders beeindruckend ist die Funktion extract_json, die es ermöglicht, benutzerdefinierte Felder wie Geburts- und Sterbedaten, Beschreibungen oder Verwandtschaftsbeziehungen direkt aus Text zu extrahieren und als strukturierte JSON-Daten zurückzugeben. Diese Funktion ist ideal für die direkte Integration in Knowledge Graphs, da sie konsistente, vorhersehbare Ausgaben liefert – ohne die Unsicherheiten von LLM-generierten Zusammenfassungen. Trotz seiner Stärken zeigt GliNER2 jedoch Grenzen bei Inferenz und Schlussfolgerung: Geschlecht, z. B. von Ada Lovelace, wird nicht abgeleitet, obwohl es im Text explizit enthalten ist. Falsche Zuordnungen, wie die unzutreffende Zuordnung von Charles Babbage als Elternteil, deuten auf eine begrenzte Fähigkeit zur logischen Konsistenz hin. Zudem sind alle Felder optional, was die Validierung der Ausgabe erfordert – eine Herausforderung, die durch Werkzeuge wie Pydantic adressiert werden kann. Für Unternehmen und Entwickler, die Wissen aus unstrukturierten Texten in strukturierte, abfragbare Formate umwandeln wollen, ist GliNER2 eine überzeugende Wahl. Besonders in Kombination mit Graphdatenbanken wie Neo4j ermöglicht es eine effiziente, nachvollziehbare und skalierbare Wissensgraph-Generierung. Im Vergleich zu LLMs, die Ressourcen, Latenz und Kosten in die Höhe treiben, bietet GliNER2 eine präzise, effiziente und kostengünstige Alternative für spezifische NLP-Aufgaben. Die Tatsache, dass es auf der CPU läuft und in einem einzigen Schritt mehrere Extraktionsarten erledigt, macht es zu einem wertvollen Werkzeug in der NLP-Toolbox. GliNER2 ist nicht die Antwort auf alle NLP-Aufgaben, aber für diejenigen, die strukturierte, konsistente und schnelle Datenextraktion benötigen, ist es ein klares Zeichen für die Wiederbelebung kleiner, fokussierter Modelle im Zeitalter der großen Sprachmodelle.