基础模型:

• microsoft/deberta-v3-base 数据集:
• knowledgator/GLINER-multi-task-synthetic-data
• knowledgator/biomed_NER 语言:
• en 库名称: gliner 许可证: apache-2.0 评估指标:
• f1 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

GLiNER-生物医学版

该模型在论文GLiNER-biomed: 面向开放生物医学命名实体识别的高效模型套件中提出。

代码仓库位于https://github.com/ds4dh/GLiNER-biomed。

GLiNER是一种命名实体识别(NER)模型，能够使用双向Transformer编码器(BERT类)识别任何实体类型。它为传统NER模型提供了实用替代方案——后者受限于预定义实体，也为大语言模型(LLMs)提供了解决方案——尽管LLMs灵活但资源消耗大。

GLiNER-biomed是与日内瓦大学DS4DH合作开发的专用生物医学NER模型套件，基于GLiNER框架。该模型利用从生成式生物医学大模型提炼的合成标注数据，在生物医学实体识别任务中实现了零样本和小样本的先进性能。

代码与训练流程: https://github.com/ds4dh/GLiNER-biomed

使用方法

通过pip安装官方GLiNER库:

pip install gliner -U

安装完成后，可轻松加载GLiNER-biomed模型进行实体识别:

from gliner import GLiNER

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

text = """
患者为45岁男性，确诊患有2型糖尿病和高血压。
医嘱开具二甲双胍500mg每日两次，赖诺普利10mg每日一次。
近期化验显示糖化血红蛋白水平升高至8.2%。
"""

labels = ["疾病", "药物", "药物剂量", "用药频率", "化验项目", "化验值", "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
糖化血红蛋白水平 => 化验项目
8.2% => 化验值

性能基准

我们在8个复杂真实数据集上测试了模型，并与其他GLiNER模型对比。

加入Discord社区

欢迎加入我们的Discord社区，获取最新动态、技术支持和模型讨论。

引用

本工作

若使用GLiNER-biomed模型，请引用:

@misc{yazdani2025glinerbiomedsuiteefficientmodels,
      title={GLiNER-biomed: 面向开放生物医学命名实体识别的高效模型套件},
      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='涵盖机器学习所有研究方向的论文(监督/无监督/强化学习/赌博机问题等)，包括鲁棒性、可解释性、公平性和方法论。cs.LG也适用于机器学习方法的应用研究。'}
}