Fastino LabsEntscheidungsmodellOpen Source
GLiNER2.5-multi-Decide
BeliebtheitPlatz 178 von 875
45von 100-2 zum Vormonat
Zusammenfassung
GLiNER2.5-multi-Decide ist der mehrsprachige 287-Millionen-Parameter-Klassifikator von Fastinos GLiNER2.5-Familie. Labels für Intention, Routing, Stimmung, Priorität oder Richtlinien werden beim Aufruf übergeben. Ein Vorwärtsdurchlauf liefert Single- oder Multi-Label-Ergebnisse und ordinale Scores, ohne generierte Token.
Der Checkpoint fastino/GLiNER2.5-multi-Decide basiert auf fastino/gliner2.5-multi-v1 mit mDeBERTa-v3-base als Encoder. Apache-2.0-Gewichte laufen lokal auf CPU oder GPU über gliner2.
Alle Benchmark-Werte
Jeder veröffentlichte Messwert mit Quelle, Testbedingungen und Vergleichsmodellen.
Alle 49 veröffentlichten Benchmark-Werte anzeigen
Seite 1 von 5
Messungen ohne passende Vergleichswerte
Für diese Messungen fehlen passende Vergleichswerte unter gleichen Testbedingungen. Die Originalwerte und Quellen bleiben hier nachlesbar.
fastino/fast-decisions: exact-match average accuracy (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 56.7
- Bewertung
- 56.7
- Messgröße
- exact-match average accuracy
- Einheit
- %
- Kategorie
- fastino/fast-decisions
- Richtung
- Mehr ist besser
- Stichprobe
- 5100
- Quellentyp
- vendor-reported
- Auswertung
- Fastino GLiNER2.5-multi-Decide model card
- Status
- active
- Abrufdatum
- 2026-10-04
- Methodik
- Vom Anbieter veröffentlichter Wert. Sprache=English; Domänen=17; Zurückgehaltene Beispiele je Domäne=300; Gleiche Texte und Kandidatenlabels=ja; Stichprobengröße=5100
MASSIVE 1.1 test, scenario classification, de, prompt mode, accuracy (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 48.5
- Bewertung
- 48.5
- Messgröße
- Accuracy: share of answers equal to gold; unanswered rows count as wrong.
- Einheit
- %
- Benchmark-Version
- BKS-Lab lab-bench route1, run 1; MASSIVE 1.1 test; written 2026-10-09
- Richtung
- Mehr ist besser
- Stichprobe
- 2974
- Quellentyp
- independent-evaluator
- Auswertung
- BKS-Lab lab-bench route1 score table
- Status
- active
- Abrufdatum
- 2026-10-24
- Methodik
- Unabhängige Evaluation. Exakter Arm gliner2.5-multi-decide, Modellpfad fastino/GLiNER2.5-multi-Decide (multilingual Decide); gliner2 2.0.0 und PyTorch 2.11.0+cu128 auf der lokalen RTX-4090-Workstation. Eine Einzelklassenaufgabe pro Frage; der Zustand ist der benannte utterance-Abschnitt; Label und Beschreibung entsprechen dem lesbaren Optionstext, das vorhergesagte Label wird auf den Optionsschlüssel abgebildet. Modus prompt: Die Anweisung steht im Aufgabenprompt.
- Einordnung
- Nur ein vollständiger Lauf; der Bericht veröffentlicht weder Konfidenzintervall noch Unsicherheit aus Wiederholungsläufen. Laut Methodik enthält jede GLiNER-Zeile die Commit-SHA des Hugging-Face-Snapshots, doch die geprüfte aggregierte Score-Seite zeigt ihren Wert nicht. Die öffentlichen Testdaten wurden nicht auf Trainingskontakt geprüft; Fastinos eigenes Decide-Trainingsset könnte MASSIVE enthalten. Fast-Decisions stammt von Fastino und wird als Klassifikationssuite hinter GLiNER2.5-Decide beschrieben. Es ist daher ein vertrauter, möglicherweise trainingsnaher Test und kein neutraler Generalisierungstest.
MASSIVE 1.1 test, scenario classification, de, prompt mode, macro-F1 (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 46.4
- Bewertung
- 46.4
- Messgröße
- Macro-F1: mean F1 over labels seen in gold or prediction.
- Einheit
- %
- Benchmark-Version
- BKS-Lab lab-bench route1, run 1; MASSIVE 1.1 test; written 2026-10-09
- Richtung
- Mehr ist besser
- Stichprobe
- 2974
- Quellentyp
- independent-evaluator
- Auswertung
- BKS-Lab lab-bench route1 score table
- Status
- active
- Abrufdatum
- 2026-10-24
- Methodik
- Unabhängige Evaluation. Exakter Arm gliner2.5-multi-decide, Modellpfad fastino/GLiNER2.5-multi-Decide (multilingual Decide); gliner2 2.0.0 und PyTorch 2.11.0+cu128 auf der lokalen RTX-4090-Workstation. Eine Einzelklassenaufgabe pro Frage; der Zustand ist der benannte utterance-Abschnitt; Label und Beschreibung entsprechen dem lesbaren Optionstext, das vorhergesagte Label wird auf den Optionsschlüssel abgebildet. Modus prompt: Die Anweisung steht im Aufgabenprompt.
- Einordnung
- Nur ein vollständiger Lauf; der Bericht veröffentlicht weder Konfidenzintervall noch Unsicherheit aus Wiederholungsläufen. Laut Methodik enthält jede GLiNER-Zeile die Commit-SHA des Hugging-Face-Snapshots, doch die geprüfte aggregierte Score-Seite zeigt ihren Wert nicht. Die öffentlichen Testdaten wurden nicht auf Trainingskontakt geprüft; Fastinos eigenes Decide-Trainingsset könnte MASSIVE enthalten. Fast-Decisions stammt von Fastino und wird als Klassifikationssuite hinter GLiNER2.5-Decide beschrieben. Es ist daher ein vertrauter, möglicherweise trainingsnaher Test und kein neutraler Generalisierungstest.
MASSIVE 1.1 test, scenario classification, de, intext mode, accuracy (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 46.7
- Bewertung
- 46.7
- Messgröße
- Accuracy: share of answers equal to gold; unanswered rows count as wrong.
- Einheit
- %
- Benchmark-Version
- BKS-Lab lab-bench route1, run 1; MASSIVE 1.1 test; written 2026-10-09
- Richtung
- Mehr ist besser
- Stichprobe
- 2974
- Quellentyp
- independent-evaluator
- Auswertung
- BKS-Lab lab-bench route1 score table
- Status
- active
- Abrufdatum
- 2026-10-24
- Methodik
- Unabhängige Evaluation. Exakter Arm gliner2.5-multi-decide, Modellpfad fastino/GLiNER2.5-multi-Decide (multilingual Decide); gliner2 2.0.0 und PyTorch 2.11.0+cu128 auf der lokalen RTX-4090-Workstation. Eine Einzelklassenaufgabe pro Frage; der Zustand ist der benannte utterance-Abschnitt; Label und Beschreibung entsprechen dem lesbaren Optionstext, das vorhergesagte Label wird auf den Optionsschlüssel abgebildet. Modus intext: Die Anweisung wird als Question: ... an den Text angehängt.
- Einordnung
- Nur ein vollständiger Lauf; der Bericht veröffentlicht weder Konfidenzintervall noch Unsicherheit aus Wiederholungsläufen. Laut Methodik enthält jede GLiNER-Zeile die Commit-SHA des Hugging-Face-Snapshots, doch die geprüfte aggregierte Score-Seite zeigt ihren Wert nicht. Die öffentlichen Testdaten wurden nicht auf Trainingskontakt geprüft; Fastinos eigenes Decide-Trainingsset könnte MASSIVE enthalten. Fast-Decisions stammt von Fastino und wird als Klassifikationssuite hinter GLiNER2.5-Decide beschrieben. Es ist daher ein vertrauter, möglicherweise trainingsnaher Test und kein neutraler Generalisierungstest.
MASSIVE 1.1 test, scenario classification, de, intext mode, macro-F1 (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 46.9
- Bewertung
- 46.9
- Messgröße
- Macro-F1: mean F1 over labels seen in gold or prediction.
- Einheit
- %
- Benchmark-Version
- BKS-Lab lab-bench route1, run 1; MASSIVE 1.1 test; written 2026-10-09
- Richtung
- Mehr ist besser
- Stichprobe
- 2974
- Quellentyp
- independent-evaluator
- Auswertung
- BKS-Lab lab-bench route1 score table
- Status
- active
- Abrufdatum
- 2026-10-24
- Methodik
- Unabhängige Evaluation. Exakter Arm gliner2.5-multi-decide, Modellpfad fastino/GLiNER2.5-multi-Decide (multilingual Decide); gliner2 2.0.0 und PyTorch 2.11.0+cu128 auf der lokalen RTX-4090-Workstation. Eine Einzelklassenaufgabe pro Frage; der Zustand ist der benannte utterance-Abschnitt; Label und Beschreibung entsprechen dem lesbaren Optionstext, das vorhergesagte Label wird auf den Optionsschlüssel abgebildet. Modus intext: Die Anweisung wird als Question: ... an den Text angehängt.
- Einordnung
- Nur ein vollständiger Lauf; der Bericht veröffentlicht weder Konfidenzintervall noch Unsicherheit aus Wiederholungsläufen. Laut Methodik enthält jede GLiNER-Zeile die Commit-SHA des Hugging-Face-Snapshots, doch die geprüfte aggregierte Score-Seite zeigt ihren Wert nicht. Die öffentlichen Testdaten wurden nicht auf Trainingskontakt geprüft; Fastinos eigenes Decide-Trainingsset könnte MASSIVE enthalten. Fast-Decisions stammt von Fastino und wird als Klassifikationssuite hinter GLiNER2.5-Decide beschrieben. Es ist daher ein vertrauter, möglicherweise trainingsnaher Test und kein neutraler Generalisierungstest.
MASSIVE 1.1 test, intent classification (gold-scenario oracle), de, prompt mode, accuracy (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 63.8
- Bewertung
- 63.8
- Messgröße
- Accuracy: share of answers equal to gold; unanswered rows count as wrong.
- Einheit
- %
- Benchmark-Version
- BKS-Lab lab-bench route1, run 1; MASSIVE 1.1 test; written 2026-10-09
- Richtung
- Mehr ist besser
- Stichprobe
- 2974
- Quellentyp
- independent-evaluator
- Auswertung
- BKS-Lab lab-bench route1 score table
- Status
- active
- Abrufdatum
- 2026-10-24
- Methodik
- Unabhängige Evaluation. Exakter Arm gliner2.5-multi-decide, Modellpfad fastino/GLiNER2.5-multi-Decide (multilingual Decide); gliner2 2.0.0 und PyTorch 2.11.0+cu128 auf der lokalen RTX-4090-Workstation. Eine Einzelklassenaufgabe pro Frage; der Zustand ist der benannte utterance-Abschnitt; Label und Beschreibung entsprechen dem lesbaren Optionstext, das vorhergesagte Label wird auf den Optionsschlüssel abgebildet. Modus prompt: Die Anweisung steht im Aufgabenprompt.
- Einordnung
- Nur ein vollständiger Lauf; der Bericht veröffentlicht weder Konfidenzintervall noch Unsicherheit aus Wiederholungsläufen. Laut Methodik enthält jede GLiNER-Zeile die Commit-SHA des Hugging-Face-Snapshots, doch die geprüfte aggregierte Score-Seite zeigt ihren Wert nicht. Die öffentlichen Testdaten wurden nicht auf Trainingskontakt geprüft; Fastinos eigenes Decide-Trainingsset könnte MASSIVE enthalten. Fast-Decisions stammt von Fastino und wird als Klassifikationssuite hinter GLiNER2.5-Decide beschrieben. Es ist daher ein vertrauter, möglicherweise trainingsnaher Test und kein neutraler Generalisierungstest.
MASSIVE 1.1 test, intent classification (gold-scenario oracle), de, prompt mode, macro-F1 (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 57.2
- Bewertung
- 57.2
- Messgröße
- Macro-F1: mean F1 over labels seen in gold or prediction.
- Einheit
- %
- Benchmark-Version
- BKS-Lab lab-bench route1, run 1; MASSIVE 1.1 test; written 2026-10-09
- Richtung
- Mehr ist besser
- Stichprobe
- 2974
- Quellentyp
- independent-evaluator
- Auswertung
- BKS-Lab lab-bench route1 score table
- Status
- active
- Abrufdatum
- 2026-10-24
- Methodik
- Unabhängige Evaluation. Exakter Arm gliner2.5-multi-decide, Modellpfad fastino/GLiNER2.5-multi-Decide (multilingual Decide); gliner2 2.0.0 und PyTorch 2.11.0+cu128 auf der lokalen RTX-4090-Workstation. Eine Einzelklassenaufgabe pro Frage; der Zustand ist der benannte utterance-Abschnitt; Label und Beschreibung entsprechen dem lesbaren Optionstext, das vorhergesagte Label wird auf den Optionsschlüssel abgebildet. Modus prompt: Die Anweisung steht im Aufgabenprompt.
- Einordnung
- Nur ein vollständiger Lauf; der Bericht veröffentlicht weder Konfidenzintervall noch Unsicherheit aus Wiederholungsläufen. Laut Methodik enthält jede GLiNER-Zeile die Commit-SHA des Hugging-Face-Snapshots, doch die geprüfte aggregierte Score-Seite zeigt ihren Wert nicht. Die öffentlichen Testdaten wurden nicht auf Trainingskontakt geprüft; Fastinos eigenes Decide-Trainingsset könnte MASSIVE enthalten. Fast-Decisions stammt von Fastino und wird als Klassifikationssuite hinter GLiNER2.5-Decide beschrieben. Es ist daher ein vertrauter, möglicherweise trainingsnaher Test und kein neutraler Generalisierungstest.
MASSIVE 1.1 test, intent classification (gold-scenario oracle), de, intext mode, accuracy (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 63.3
- Bewertung
- 63.3
- Messgröße
- Accuracy: share of answers equal to gold; unanswered rows count as wrong.
- Einheit
- %
- Benchmark-Version
- BKS-Lab lab-bench route1, run 1; MASSIVE 1.1 test; written 2026-10-09
- Richtung
- Mehr ist besser
- Stichprobe
- 2974
- Quellentyp
- independent-evaluator
- Auswertung
- BKS-Lab lab-bench route1 score table
- Status
- active
- Abrufdatum
- 2026-10-24
- Methodik
- Unabhängige Evaluation. Exakter Arm gliner2.5-multi-decide, Modellpfad fastino/GLiNER2.5-multi-Decide (multilingual Decide); gliner2 2.0.0 und PyTorch 2.11.0+cu128 auf der lokalen RTX-4090-Workstation. Eine Einzelklassenaufgabe pro Frage; der Zustand ist der benannte utterance-Abschnitt; Label und Beschreibung entsprechen dem lesbaren Optionstext, das vorhergesagte Label wird auf den Optionsschlüssel abgebildet. Modus intext: Die Anweisung wird als Question: ... an den Text angehängt.
- Einordnung
- Nur ein vollständiger Lauf; der Bericht veröffentlicht weder Konfidenzintervall noch Unsicherheit aus Wiederholungsläufen. Laut Methodik enthält jede GLiNER-Zeile die Commit-SHA des Hugging-Face-Snapshots, doch die geprüfte aggregierte Score-Seite zeigt ihren Wert nicht. Die öffentlichen Testdaten wurden nicht auf Trainingskontakt geprüft; Fastinos eigenes Decide-Trainingsset könnte MASSIVE enthalten. Fast-Decisions stammt von Fastino und wird als Klassifikationssuite hinter GLiNER2.5-Decide beschrieben. Es ist daher ein vertrauter, möglicherweise trainingsnaher Test und kein neutraler Generalisierungstest.
MASSIVE 1.1 test, intent classification (gold-scenario oracle), de, intext mode, macro-F1 (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 55.3
- Bewertung
- 55.3
- Messgröße
- Macro-F1: mean F1 over labels seen in gold or prediction.
- Einheit
- %
- Benchmark-Version
- BKS-Lab lab-bench route1, run 1; MASSIVE 1.1 test; written 2026-10-09
- Richtung
- Mehr ist besser
- Stichprobe
- 2974
- Quellentyp
- independent-evaluator
- Auswertung
- BKS-Lab lab-bench route1 score table
- Status
- active
- Abrufdatum
- 2026-10-24
- Methodik
- Unabhängige Evaluation. Exakter Arm gliner2.5-multi-decide, Modellpfad fastino/GLiNER2.5-multi-Decide (multilingual Decide); gliner2 2.0.0 und PyTorch 2.11.0+cu128 auf der lokalen RTX-4090-Workstation. Eine Einzelklassenaufgabe pro Frage; der Zustand ist der benannte utterance-Abschnitt; Label und Beschreibung entsprechen dem lesbaren Optionstext, das vorhergesagte Label wird auf den Optionsschlüssel abgebildet. Modus intext: Die Anweisung wird als Question: ... an den Text angehängt.
- Einordnung
- Nur ein vollständiger Lauf; der Bericht veröffentlicht weder Konfidenzintervall noch Unsicherheit aus Wiederholungsläufen. Laut Methodik enthält jede GLiNER-Zeile die Commit-SHA des Hugging-Face-Snapshots, doch die geprüfte aggregierte Score-Seite zeigt ihren Wert nicht. Die öffentlichen Testdaten wurden nicht auf Trainingskontakt geprüft; Fastinos eigenes Decide-Trainingsset könnte MASSIVE enthalten. Fast-Decisions stammt von Fastino und wird als Klassifikationssuite hinter GLiNER2.5-Decide beschrieben. Es ist daher ein vertrauter, möglicherweise trainingsnaher Test und kein neutraler Generalisierungstest.
MASSIVE 1.1 test, intent classification, 2+ options, de, prompt mode, accuracy (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 58.9
- Bewertung
- 58.9
- Messgröße
- Accuracy: share of answers equal to gold; unanswered rows count as wrong.
- Einheit
- %
- Benchmark-Version
- BKS-Lab lab-bench route1, run 1; MASSIVE 1.1 test, intents restricted to 2+ choices; written 2026-10-09
- Richtung
- Mehr ist besser
- Stichprobe
- 2622
- Quellentyp
- independent-evaluator
- Auswertung
- BKS-Lab lab-bench route1 score table
- Status
- active
- Abrufdatum
- 2026-10-24
- Methodik
- Unabhängige Evaluation. Exakter Arm gliner2.5-multi-decide, Modellpfad fastino/GLiNER2.5-multi-Decide (multilingual Decide); gliner2 2.0.0 und PyTorch 2.11.0+cu128 auf der lokalen RTX-4090-Workstation. Eine Einzelklassenaufgabe pro Frage; der Zustand ist der benannte utterance-Abschnitt; Label und Beschreibung entsprechen dem lesbaren Optionstext, das vorhergesagte Label wird auf den Optionsschlüssel abgebildet. Modus prompt: Die Anweisung steht im Aufgabenprompt.
- Einordnung
- Nur ein vollständiger Lauf; der Bericht veröffentlicht weder Konfidenzintervall noch Unsicherheit aus Wiederholungsläufen. Laut Methodik enthält jede GLiNER-Zeile die Commit-SHA des Hugging-Face-Snapshots, doch die geprüfte aggregierte Score-Seite zeigt ihren Wert nicht. Die öffentlichen Testdaten wurden nicht auf Trainingskontakt geprüft; Fastinos eigenes Decide-Trainingsset könnte MASSIVE enthalten. Fast-Decisions stammt von Fastino und wird als Klassifikationssuite hinter GLiNER2.5-Decide beschrieben. Es ist daher ein vertrauter, möglicherweise trainingsnaher Test und kein neutraler Generalisierungstest.
MASSIVE 1.1 test, intent classification, 2+ options, de, prompt mode, macro-F1 (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 54.9
- Bewertung
- 54.9
- Messgröße
- Macro-F1: mean F1 over labels seen in gold or prediction.
- Einheit
- %
- Benchmark-Version
- BKS-Lab lab-bench route1, run 1; MASSIVE 1.1 test, intents restricted to 2+ choices; written 2026-10-09
- Richtung
- Mehr ist besser
- Stichprobe
- 2622
- Quellentyp
- independent-evaluator
- Auswertung
- BKS-Lab lab-bench route1 score table
- Status
- active
- Abrufdatum
- 2026-10-24
- Methodik
- Unabhängige Evaluation. Exakter Arm gliner2.5-multi-decide, Modellpfad fastino/GLiNER2.5-multi-Decide (multilingual Decide); gliner2 2.0.0 und PyTorch 2.11.0+cu128 auf der lokalen RTX-4090-Workstation. Eine Einzelklassenaufgabe pro Frage; der Zustand ist der benannte utterance-Abschnitt; Label und Beschreibung entsprechen dem lesbaren Optionstext, das vorhergesagte Label wird auf den Optionsschlüssel abgebildet. Modus prompt: Die Anweisung steht im Aufgabenprompt.
- Einordnung
- Nur ein vollständiger Lauf; der Bericht veröffentlicht weder Konfidenzintervall noch Unsicherheit aus Wiederholungsläufen. Laut Methodik enthält jede GLiNER-Zeile die Commit-SHA des Hugging-Face-Snapshots, doch die geprüfte aggregierte Score-Seite zeigt ihren Wert nicht. Die öffentlichen Testdaten wurden nicht auf Trainingskontakt geprüft; Fastinos eigenes Decide-Trainingsset könnte MASSIVE enthalten. Fast-Decisions stammt von Fastino und wird als Klassifikationssuite hinter GLiNER2.5-Decide beschrieben. Es ist daher ein vertrauter, möglicherweise trainingsnaher Test und kein neutraler Generalisierungstest.
MASSIVE 1.1 test, intent classification, 2+ options, de, intext mode, accuracy (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 58.4
- Bewertung
- 58.4
- Messgröße
- Accuracy: share of answers equal to gold; unanswered rows count as wrong.
- Einheit
- %
- Benchmark-Version
- BKS-Lab lab-bench route1, run 1; MASSIVE 1.1 test, intents restricted to 2+ choices; written 2026-10-09
- Richtung
- Mehr ist besser
- Stichprobe
- 2622
- Quellentyp
- independent-evaluator
- Auswertung
- BKS-Lab lab-bench route1 score table
- Status
- active
- Abrufdatum
- 2026-10-24
- Methodik
- Unabhängige Evaluation. Exakter Arm gliner2.5-multi-decide, Modellpfad fastino/GLiNER2.5-multi-Decide (multilingual Decide); gliner2 2.0.0 und PyTorch 2.11.0+cu128 auf der lokalen RTX-4090-Workstation. Eine Einzelklassenaufgabe pro Frage; der Zustand ist der benannte utterance-Abschnitt; Label und Beschreibung entsprechen dem lesbaren Optionstext, das vorhergesagte Label wird auf den Optionsschlüssel abgebildet. Modus intext: Die Anweisung wird als Question: ... an den Text angehängt.
- Einordnung
- Nur ein vollständiger Lauf; der Bericht veröffentlicht weder Konfidenzintervall noch Unsicherheit aus Wiederholungsläufen. Laut Methodik enthält jede GLiNER-Zeile die Commit-SHA des Hugging-Face-Snapshots, doch die geprüfte aggregierte Score-Seite zeigt ihren Wert nicht. Die öffentlichen Testdaten wurden nicht auf Trainingskontakt geprüft; Fastinos eigenes Decide-Trainingsset könnte MASSIVE enthalten. Fast-Decisions stammt von Fastino und wird als Klassifikationssuite hinter GLiNER2.5-Decide beschrieben. Es ist daher ein vertrauter, möglicherweise trainingsnaher Test und kein neutraler Generalisierungstest.
Seite 1 von 5
Beliebtheit im Vergleich
Wie oft das Modell gesucht, genutzt und erwähnt wird, im Vergleich mit allen Modellen dieser Kategorie.
Beliebtheitsindex
0 bis 100, höher ist beliebter
20 von 37 Modellen
AutoTrust JEV-27B-VL, AutoTrust AI: 70
AutoTrust JEV-27B, AutoTrust AI: 63
GLiNER2.5-Decide, Fastino Labs: 56
Decider 2B, Mapika: 52
Clef, Cloudflare: 51
Clef-Flash, Cloudflare: 51
Laya Multilingual, Convai Innovations: 46
Kev 0.8B, Jared Palmer: 45
GLiNER2.5-multi-Decide, Fastino Labs: 45
Decider 4B, Mapika: 43
Jev, TypeSafe AI: 43
pplx-decider-v1.1-27b, Perplexity: 42
Intern-Decision-4B, InternLM: 40
Laya Typed Decisions, Convai Innovations: 40
Kev 9B, Jared Palmer: 40
pplx-decider-v1-27b, Perplexity: 39
Decider 0.8B, Mapika: 39
Julia 1, Supersonic Labs: 39
Intern-Decision-0.8B, InternLM: 38
Intern-Decision-2B, InternLM: 37
Stand November 2026 · Quelle: gradually.ai Beliebtheitsindex
Zeitlicher Verlauf
Wochenwerte vom 18. Oktober 2026 bis 5. November 2026
GLiNER2.5-multi-DecideKev 0.8BLaya MultilingualDecider 4BJev
Alle technischen Daten
Architektur
- Modellklasse
- Mehrsprachiger Spezialklassifikator für operative Entscheidungen, kein Generalmodell
- Quelle: Modellklasse
Ein- und Ausgabe
Wasserzeichen und Herkunft
KI-Wasserzeichen meint unsichtbare Signale in der Ausgabe. Sichtbare Zeichen und Herkunftsmetadaten sind getrennt aufgeführt. Unbekannt bedeutet, dass für die jeweilige Angabe kein ausreichender Beleg vorliegt.
- KI-Wasserzeichen
- Unbekannt
- ohne Quelle
- Watermarking-Technik
- Nicht bekannt
- ohne Quelle
Lizenz und Zugang
Weitere Angaben
- Ausgabeschema
- Single-Label- oder Multi-Label-Klassifikation und ordinale Scores ohne generierte Token
- Quelle: Ausgabeschema
Quellen und Datenstand
Alle 15 Quellen anzeigen
Benchmarkquellen im Überblick
Welche unabhängigen Auswerter dieses Modell getestet haben. Das ist Abdeckung, keine Qualitätsrangliste.
Für dieses Modell ist derzeit kein aktives Ergebnis der geprüften externen Auswerter zugeordnet. Weitere Quellenbelege stehen darunter.
Ohne Herstellerangaben sowie historische oder strittige Ergebnisse; diese stehen gekennzeichnet bei den Einzelwerten.
| Art | Nachweis und Datenstand |
|---|---|
| Recherchestand | Recherchestand 4. Oktober 2026. 10 Quellen-URLs geprüft. Das dokumentiert die geprüften Quellen, nicht sämtliche Veröffentlichungen zu diesem Modell. |
| Nicht veröffentlicht | non-english-heldout-results Hinweis Die angeheftete öffentliche Karte und der Datensatz nennen einen Gesamtwert, veröffentlichen aber keine Auswertung nach Domäne. |
| In den geprüften Quellen nicht gefunden | hanno-decisionbench-exact-checkpoint-result Hinweis Der vollständige Ergebnisbaum am angehefteten Commit a512f9ec09abac2c4ebd2c2208c92ae339a3a056 enthält keinen exakten DecisionBench-Lauf für diesen Checkpoint. Ergebnisse für GLiNER2.5-Decide, GLiNER2.5-base, GLiNER2.5-multi-base oder andere Geschwistermodelle werden nicht übertragen. |
| Nicht veröffentlicht | evaluator-loaded-weight-digest Hinweis Der Bericht nennt weder Revision noch Hash des geladenen Checkpoints. Die anhand des lastModified-Datums gefundene öffentliche Hugging-Face-Revision ist nur ein Chronologie-Kandidat. |
| Nicht veröffentlicht | test-dataset-revision Hinweis Feste Stichproben und ihre Größen sind angegeben, Datensatzrevisionen werden im erfassten Protokoll aber nicht mit Hashes gepinnt. |
| Nicht veröffentlicht | unreported-confidence-intervals Hinweis Für ECE und die MASSIVE-Accuracy je Sprache wird kein KI veröffentlicht. Es wurde keines berechnet oder abgeleitet. |
| Ungeklärt | Unveränderliche GLiNER-Snapshot-Revision je Lauf Hinweis Die route1-Methodik sagt, dass jede GLiNER-Rohzeile die Commit-SHA des Hugging-Face-Snapshots enthält. Die geprüfte aggregierte Score-Tabelle zeigt den SHA-Wert jedoch nicht. Die genaue Gewichtsrevision des Laufs bleibt unbekannt. |
| Nicht veröffentlicht | Konfidenzintervalle und Unsicherheit aus Wiederholungsläufen Hinweis Der route1-Scorebericht zeigt Lauf 1 je Arm und veröffentlicht weder Konfidenzintervalle noch ein Unsicherheitsmaß aus Wiederholungsläufen. Es wurde nichts berechnet oder abgeleitet. |
| In den geprüften Quellen nicht gefunden | Exakter Modellwert im öffentlichen Decision-Index-0.4.1-Panel Hinweis Diese Indexausgabe enthält keine exakt zuordenbare Profil-Repository-/Checkpoint-Zeile. Daraus folgt nicht, dass es keine Werte aus anderen Benchmarks gibt. |
| Weitere Quelle | Fastino model index (abgerufen 3. Oktober 2026) |
| Weitere Quelle | GLiNER2.5-multi-Decide model card (abgerufen 3. Oktober 2026; 4. Oktober 2026) · GLiNER2.5-multi-Decide model card · Redaktionelle Beschreibung geprüft am 3. Oktober 2026 |
| Weitere Quelle | System One report, Laya AI-hosted result summary for gliner2-5-multi-decide, pinned source commit ed4544869a9480aa98db6572a21733803eadcbb8 (abgerufen 17. Oktober 2026) |
| Weitere Quelle | BKS-Lab lab-bench route1 score table (abgerufen 24. Oktober 2026) |
| Weitere Quelle | Modellmetadaten (abgerufen 16. Oktober 2026)12 |
| Weitere Quelle | Modellmetadaten (abgerufen 17. Oktober 2026)12 |
| Weitere Quelle | Modellmetadaten (abgerufen 24. Oktober 2026) |
| Weitere Quelle | OpenRouter: Beliebtheitsindex (abgeleitet), CC BY 4.0 |
| Weitere Quelle | Vercel AI Gateway: Beliebtheitsindex (abgeleitet), CC BY 4.0 |
| Weitere Quelle | Ollama: kumulierte Downloads für den Beliebtheitsindex |
| Weitere Quelle | Replicate: kumulierte Ausführungen für den Beliebtheitsindex |
| Weitere Quelle | Google Trending Now: begrenzte Feed-Auswahl für Deutschland und USA |
| Weitere Quelle | Creative Commons Attribution 4.0 |