GLiNER
GLiNER是一种基于片段（span-based）的命名实体识别模型，支持零样本推理，能够在不经过特定领域微调的情况下识别任意类型的命名实体
时间轴 (近 90 天)
在Doom游戏环境的对比中，本地模型GLiNER的响应时间仅为12毫秒。
GLiNER将命名实体识别转化为‘文本片段与实体类型’的匹配问题，因此推理路径短、计算量小。
GLiNER是一类基于双向编码器架构的轻量级信息抽取模型，设计目标是在不依赖大语言模型生成能力的前提下完成实体识别等结构化任务。
使用GLiNER后，在Doom游戏中的平均得分相比使用Jev AI API提升了一倍以上。
在Doom游戏环境的对比中，GLiNER每秒能做出8.8次决策，而Jev AI每秒仅能做出2.5次决策。
在组合系统中，LLM不直接控制角色，而是作为战术指导，根据游戏状态向GLiNER下达自然语言指令。
实验中的GLiNER模型单独行动时行为模式单一，几乎只做射击动作。
GLiNER支持以自然语言描述任意实体类型，无需针对新类别重新训练即可完成零样本识别。
在本实验中，GLiNER被用作视觉-动作映射器，接收游戏画面，识别敌人、武器、道具等实体，并输出对应的即时动作。
实验中，单独运行的GLiNER偶尔会出现原地转圈等无意义动作。
还有 14 条时间轴事件
全部知识事实 (20)
在Doom游戏环境的对比中，本地模型GLiNER的响应时间仅为12毫秒。
50%待验证GLiNER将命名实体识别转化为‘文本片段与实体类型’的匹配问题，因此推理路径短、计算量小。
50%待验证GLiNER是一类基于双向编码器架构的轻量级信息抽取模型，设计目标是在不依赖大语言模型生成能力的前提下完成实体识别等结构化任务。
50%待验证使用GLiNER后，在Doom游戏中的平均得分相比使用Jev AI API提升了一倍以上。
50%待验证在Doom游戏环境的对比中，GLiNER每秒能做出8.8次决策，而Jev AI每秒仅能做出2.5次决策。
50%待验证在组合系统中，LLM不直接控制角色，而是作为战术指导，根据游戏状态向GLiNER下达自然语言指令。
50%待验证实验中的GLiNER模型单独行动时行为模式单一，几乎只做射击动作。
50%待验证GLiNER支持以自然语言描述任意实体类型，无需针对新类别重新训练即可完成零样本识别。
50%待验证在本实验中，GLiNER被用作视觉-动作映射器，接收游戏画面，识别敌人、武器、道具等实体，并输出对应的即时动作。
50%待验证实验中，单独运行的GLiNER偶尔会出现原地转圈等无意义动作。
50%待验证LLM教练能根据状态变化动态调整策略，例如当玩家生命值降低时提醒去拿医疗包。
50%待验证单独GLiNER缺乏生命值管理概念，只会持续射击直到死亡。
50%待验证在分层智能体架构中，LLM不需要参与每一帧决策，可大幅降低推理成本；GLiNER作为执行器可保持低延迟响应。
50%待验证创作者最初计划使用 GLiNER 决策模型，但发现可本地运行的 GLiNER 并非开源，于是转向 GLiNER 2.5。
50%待验证GLiNER 是一类面向通用命名实体识别的轻量模型，使用双向 Transformer 编码器同时处理实体类型与文本，无需为每种实体单独训练。
50%待验证Agentic GraphRAG 的实体抽取由用户定义的 schema 驱动，本地抽取使用 GLiNER，结构化 LLM 抽取由 BAML 处理选定的 chunk。
50%待验证GLiNER 是一种基于双向编码器的零样本命名实体识别模型，推理时接受任意实体类型列表，无需为每个领域微调模型。
50%待验证Agentic GraphRAG的实体抽取可以使用本地运行的GLiNER模型，也可以对选定chunk使用BAML做结构化LLM抽取。
50%待验证GLiNER是一个模型家族，名字源自命名实体识别，最早版本可追溯到2023年
50%待验证GLiNER不提供校准概率，也不给出完整概率分布，且不同用途需切换不同模型（GLiNER 2.5、GlyGuard等）
50%