GliNER2 marque une avancée significative dans l’extraction structurée d’informations à partir de textes, offrant une alternative efficace et légère aux grands modèles linguistiques (LLM) comme ChatGPT ou Gemini. Alors que ces derniers dominent le paysage grâce à leur capacité à traiter des tâches NLP complexes, ils sont souvent surdimensionnés pour des besoins simples. GliNER2, quant à lui, s’impose comme un outil spécialisé, conçu pour extraire de manière précise et rapide des entités, des relations et des données structurées — tout en fonctionnant sur un CPU, ce qui le rend accessible et économe en ressources. Lancé en 2024, GliNER2 constitue une évolution majeure par rapport à sa version initiale. Il intègre désormais trois fonctions clés en un seul cadre : reconnaissance d’entités, extraction de relations et génération de données structurées (via la méthode extract_json). Sa particularité réside dans son approche schema-driven, qui permet de définir de manière déclarative les types d’entités, de relations et de champs structurés, avant d’exécuter une seule inférence pour extraire tout cela simultanément. Cette unification simplifie grandement le pipeline d’ingestion de données, en particulier pour la construction de graphes de connaissances. Dans une démonstration basée sur un extrait de l’article Wikipedia sur Ada Lovelace, GliNER2 a montré une performance solide. L’extraction d’entités, avec des descriptions personnalisées (ex. : "Personne : noms de personnes, y compris les titres nobiliaires"), a permis une meilleure précision, notamment pour distinguer les événements historiques des autres catégories. L’extraction de relations — comme parent_of, married_to, worked_on ou invented — a correctement identifié les liens fondamentaux entre les personnages (ex. : Lord Byron et Anne Isabella Milbanke comme parents d’Ada, mariage avec William King, lien avec Charles Babbage et l’analytical engine). Toutefois, une incohérence notable a été observée : le modèle détectait toujours l’alias Ada Lovelace mais jamais la relation same_as, même avec une description identique, soulignant une sensibilité aux noms de relations plutôt qu’à leurs définitions. La fonction la plus puissante reste l’extraction JSON structurée. Elle permet de définir des champs arbitraires (ex. : name::str, birth_date::str, description::str) et de produire des objets JSON directement interprétables. Cependant, le modèle peine à effectuer des inférences logiques : par exemple, il n’a pas déduit le sexe d’Ada Lovelace malgré son statut de « fille », et a attribué à tort à Charles Babbage et William King le rôle de « parent de » Ada. Ces erreurs montrent que GliNER2 excelle dans l’extraction directe, mais pas dans la raison ou la généralisation. Malgré ces limites, l’intégration de toutes ces fonctionnalités dans une seule passe rend GliNER2 idéal pour les workflows de construction de graphes de connaissances. En combinant entités, relations et données structurées dans un seul appel, il permet une transformation fluide du texte brut en représentation interconnectée, facilement importable dans des systèmes comme Neo4j via des requêtes Cypher dynamiques. L’inclusion du texte source comme nœud Chunk garantit la traçabilité des informations. En résumé, GliNER2 représente un retour au modèle spécialisé face à l’omniscience des LLM. Il offre une solution performante, légère et économe, parfaitement adaptée aux tâches d’extraction structurée. Pour de nombreux cas d’usage — notamment l’ingestion de données pour des graphes de connaissances — il est bien plus efficace que de recourir à un LLM lourd. Bien qu’il présente encore des faiblesses en matière d’inférence, l’évolution de GliNER1 à GliNER2 est encourageante, et ce type d’outils devrait gagner en importance face à la surcharge des modèles massifs. Le code est disponible sur GitHub, offrant une base solide pour des applications concrètes.