许可证：apache-2.0
语言：

• 英文
  库名称：gliner
  数据集：
• knowledgator/GLINER-multi-task-synthetic-data
• knowledgator/biomed_NER
  管道标签：token-classification
  标签：
• NER
• GLiNER
• 信息抽取
• 编码器
• 实体识别
• 生物医学
  基础模型：
• microsoft/deberta-v3-large
  指标：
• F1值

GLiNER-BioMed

该模型在论文GLiNER-biomed: 高效开放生物医学命名实体识别模型套件中提出。

代码可在GitHub获取。

GLiNER是一种命名实体识别（NER）模型，能够使用双向Transformer编码器（类似BERT）识别任何实体类型。它为传统NER模型提供了实用替代方案，后者仅限于预定义实体，而大型语言模型（LLMs）虽然灵活，但在资源受限场景下成本高昂且体积庞大。

GLiNER-biomed由日内瓦大学DS4DH合作开发，是基于GLiNER框架的专门高效开放生物医学NER模型套件。GLiNER-biomed利用从大型生成式生物医学语言模型中提取的合成标注，在生物医学实体识别任务中实现了最先进的零样本和小样本性能。

使用方法

通过pip安装官方GLiNER库：

pip install gliner -U  

安装GLiNER库后，可轻松加载GLiNER-biomed模型并执行命名实体识别：

from gliner import GLiNER  

model = GLiNER.from_pretrained("Ihor/gliner-biomed-large-v1.0")  

text = """  
患者为45岁男性，被诊断为2型糖尿病和高血压。  
医生开具了二甲双胍500mg每日两次和赖诺普利10mg每日一次的处方。  
近期实验室检查显示HbA1c水平升高至8.2%。  
"""  

labels = ["疾病", "药物", "药物剂量", "用药频率", "实验室检查", "检验结果值", "人口统计信息"]  

entities = model.predict_entities(text, labels, threshold=0.5)  

for entity in entities:  
    print(entity["text"], "=>", entity["label"])  

预期输出：

45岁男性 => 人口统计信息  
2型糖尿病 => 疾病  
高血压 => 疾病  
二甲双胍 => 药物  
500mg => 药物剂量  
每日两次 => 用药频率  
赖诺普利 => 药物  
10mg => 药物剂量  
每日一次 => 用药频率  
HbA1c水平 => 实验室检查  
8.2% => 检验结果值  

基准测试

我们在8个复杂真实数据集上测试了模型，并与其他GLiNER模型进行了对比。

加入Discord社区

通过Discord与我们的社区联系，获取模型新闻、支持并进行讨论。

引用

本工作

若使用GLiNER-biomed模型，请引用：

@misc{yazdani2025glinerbiomedsuiteefficientmodels,  
      title={GLiNER-biomed: 高效开放生物医学命名实体识别模型套件},  
      author={Anthony Yazdani and Ihor Stepanov and Douglas Teodoro},  
      year={2025},  
      eprint={2504.00676},  
      archivePrefix={arXiv},  
      primaryClass={cs.CL},  
      url={https://arxiv.org/abs/2504.00676},  
}  

先前工作

@misc{zaratiana2023gliner,  
      title={GLiNER: 基于双向Transformer的通用命名实体识别模型},  
      author={Urchade Zaratiana and Nadi Tomeh and Pierre Holat and Thierry Charnois},  
      year={2023},  
      eprint={2311.08526},  
      archivePrefix={arXiv},  
      primaryClass={cs.CL}  
}  

@misc{stepanov2024gliner,  
      title={GLiNER多任务: 面向多种信息抽取任务的通用轻量模型},  
      author={Ihor Stepanov and Mykhailo Shtopko},  
      year={2024},  
      eprint={2406.12925},  
      archivePrefix={arXiv},  
      primaryClass={id='cs.LG' full_name='机器学习' is_active=True alt_name=None in_archive='cs' is_general=False description='涵盖机器学习研究所有方面的论文（监督学习、无监督学习、强化学习、赌博问题等），包括鲁棒性、可解释性、公平性和方法论。cs.LG也是机器学习方法应用的主要类别。'}  
}