GLiNER 是一个通用的命名实体识别（NER）模型，能够识别任何类型的实体，为传统 NER 模型提供了实用的替代方案。

GLiNER是一个通用的命名实体识别（NER）模型，能够识别任何类型的实体，为传统NER模型提供了实用替代方案，同时解决了大型语言模型资源消耗高的问题。

GLiNER 是一个通用的命名实体识别（NER）模型，能够通过双向 Transformer 编码器识别任何实体类型。

GLiNER 是一个通用的命名实体识别（NER）模型，能够识别任何类型的实体，为传统 NER 模型和大型语言模型提供了实用的替代方案。

GLiNER 是一个通用的命名实体识别（NER）模型，能够识别任何实体类型，为传统 NER 模型提供了实用替代方案。

GLiNER是一个多语言命名实体识别(NER)模型，能够通过双向Transformer编码器识别任何实体类型，为传统NER模型提供了灵活替代方案。

这是一个基于DistilBERT的多语言命名实体识别(NER)模型，支持10种语言，经过量化处理兼容Transformers.js。

基于XLM-RoBERTa基础模型微调的命名实体识别模型，支持多语言，能识别地点、组织和人物三类实体。

这是一个基于MultiNERD数据集训练的多语言命名实体识别模型，支持20多种语言，使用bert-base-multilingual-cased作为底层编码器。

基于microsoft/mdeberta-v3-base微调的命名实体识别模型，在评估集上表现出色

基于XLM-RoBERTa-large模型在英语CoNLL-2003数据集上微调的命名实体识别模型

基于RoBERTa架构的多语言命名实体识别模型，支持20种语言的实体识别任务。

基于XLM-RoBERTa-base模型在德语和法语数据集上微调的跨语言模型，主要用于命名实体识别任务。

基于XLM-RoBERTa-base模型在特定数据集上微调的版本，主要用于序列标注任务，评估F1分数为0.8561。

基于XLM-RoBERTa-base模型在xtreme数据集上进行微调的标记分类模型，用于命名实体识别任务

基于XLM-RoBERTa-base模型在德语和法语数据集上微调的版本，主要用于序列标注任务。

基于xlm-roberta-base在多语言数据集上微调的命名实体识别模型

基于XLM-RoBERTa-base模型在德语和法语数据集上微调的跨语言模型

基于XLM-RoBERTa-base模型在PAN-X德语数据集上微调的标记分类模型

基于Geotrend/distilbert-base-en-fr-de-no-da-cased微调的命名实体识别模型，在评估集上表现出色

基于xlm-roberta-base在xtreme数据集上微调的德语标记分类模型

该模型是基于XLM-RoBERTa-large架构在HiNER-original数据集上训练的命名实体识别模型，专门用于标记分类任务。

基于XLM-RoBERTa-base模型在xtreme数据集上微调的德语标记分类模型

基于XLM-RoBERTa-base模型在德语和法语数据集上微调的跨语言模型，主要用于命名实体识别任务。

基于xlm-roberta-base在德语和法语数据集上微调的跨语言模型，主要用于命名实体识别任务。

基于xlm-roberta-base微调的命名实体识别(NER)模型，在评估集上表现出色(F1值0.9777)

基于XLM-RoBERTa-base模型在xtreme数据集上微调的德语标记分类模型，用于命名实体识别任务。

基于XLM-RoBERTa-base模型在德语和法语数据集上微调的版本，主要用于命名实体识别任务。

该模型是基于XLMR-ENIS在conll2003数据集上微调的命名实体识别模型，支持英语和冰岛语。

这是一个在命名实体识别任务上微调的XLM-RoBERTa模型，适用于多语言文本中的实体识别任务。

基于XLM-RoBERTa微调的命名实体识别模型，支持英语文本中的实体识别任务。

这是一个基于DistilBERT的多语言模型，专门用于命名实体识别任务，在ConLL 2003数据集上微调训练。

该模型是基于xlm-roberta-base在xtreme数据集上微调的版本，用于德语标记分类任务。

Flair内置的标准4类NER模型，适用于英语、德语、荷兰语和西班牙语的命名实体识别任务

基于XLM-RoBERTa-base模型在PAN-X数据集上微调的多语言命名实体识别模型

一个快速的4类命名实体识别模型，支持英语、德语、荷兰语和西班牙语，基于Flair框架和LSTM-CRF架构。

针对CPU优化的多语言命名实体识别模型，支持识别地点、组织、人物等实体类型

基于XLM-RoBERTa微调的命名实体识别模型，支持英语文本中的实体标记分类任务。

基于XLM-Roberta-base的多语言命名实体识别模型，支持40种语言的实体识别

基于mBERT的多语言命名实体识别模型，支持10种高资源语言，能识别地点、组织和人名三类实体。