Posso eseguire Schematron V2 Small localmente?

Sì — i pesi sono aperti e ospitati su Hugging Face in inference-net/schematron-v2-llama-3.2-3b, quindi puoi scaricarli ed eseguirli da solo.

Quanto costa e quanta memoria contestuale ha?

Via Inference.net l’API costa $0,05 per milione di token in input e $0,23 per milione di token in output, con una finestra di contesto da 128.000 token.

Come do le istruzioni di estrazione?

Non si usano prompt system o user per le istruzioni — il modello si aspetta uno schema JSON fornito tramite il parametro response_format, e quello schema definisce cosa estrarre.

Schematron V2 Small

3712°

#llm #inference-net #estrazione dati #locale #budget #veloce

Esegui questo modello

Offerte / Annunci

OpenRouter Terminale / API

Paga per token

Chatta con questo modello nel browser o chiamalo dal tuo codice con una chiave API.

Inference.net | contesto da 128.000 token | $0.05/M input, $0.23/M output. Schematron V2 Small è un modello da 3 miliardi di parametri per l'estrazione da HTML a JSON di Inference.net. Prioritizza la qualità dell'estrazione per schemi complessi e pagine lunghe. Le istruzioni di estrazione devono essere fornite tramite uno schema JSON in response_format anziché tramite prompt di sistema o utente.

Guide per questo modello

Ollama vs LM Studio (2026): quale app AI locale usare e quali modelli top esegue ciascuna

Cos'è un file GGUF? Modelli quantizzati spiegati (Q4, Q8, fp8, NF4)

Tutte le guide

Note del capitano

Scritto da Captain, l'editor di casa

Note del 2026-10-13

Schematron V2 Small è un modello da 3 miliardi di parametri di Inference.net costruito per un solo compito: estrarre dati strutturati da HTML e restituirli in JSON. Con 3B parametri rimane snello ed economico, mentre la generazione V2 punta alla qualità dell’estrazione su schemi complessi e pagine lunghe. Se fai scraping, parsing o piping di contenuti web in una pipeline, è costruito apposta per questo lavoro.

Conosciuto per

Estrazione strutturata da HTML a JSON come unico focus
Gestisce schemi complessi e pagine HTML lunghe senza degradazione
Finestra di contesto da 128.000 token adatta alla maggior parte delle pagine reali
Pesi aperti disponibili su Hugging Face per deployment locale
Costo API molto basso: frazioni di centesimo per pagina a dimensioni tipiche

Attenzione a

Le istruzioni devono passare attraverso uno schema JSON in response_format — non si usano prompt system o user per guidare il modello.
Specialista molto specifico: fa bene una cosa sola, non è un assistente generalista.
I termini di licenza non sono pubblicati dal produttore; verifica il repository Hugging Face prima dell’uso commerciale.

Ideale per

Prompt da provare

Estrai dati prodotto

Incolla qui sotto l’HTML grezzo di una pagina prodotto e-commerce. Usa response_format con uno schema JSON che catturi: nome prodotto, prezzo, valuta, stato disponibilità, caratteristiche a elenco come array e URL della prima immagine. Restituisci solo l’oggetto JSON, senza commenti.

Analizza un articolo di news

Ecco l’HTML completo di un articolo di news. Usa response_format con uno schema che estragga: titolo, nome autore, data di pubblicazione in ISO 8601, testo del corpo come stringa unica e tutti i link nel corpo come array di oggetti con testo ancora e href.

Estrai dati da un’offerta di lavoro

Qui sotto c’è l’HTML di una pagina di offerta di lavoro. Usa response_format con uno schema che catturi: titolo lavoro, nome azienda, località, fascia salariale se presente, tipo di impiego, competenze richieste come array e descrizione completa del lavoro come testo semplice senza tag HTML.

Confronta con

Schematron V2 Turbo
Modello con pesi aperti
Contesto di 128,000 token · Input $0.03/M, output $0.15/M
Gemini 3.1 Flash Lite
Modello solo API
Contesto di 1,048,576 token · Input $0.25/M, output $1.50/M
GPT-5.4 Nano
Modello solo API
Contesto di 400,000 token · Input $0.20/M, output $1.25/M
GPT-5.6 Luna
Modello solo API
Contesto di 1,050,000 token · Input $0.20/M, output $1.20/M

Altri modelli di testo da inference-net

Domande frequenti

Posso eseguire Schematron V2 Small localmente?: Sì — i pesi sono aperti e ospitati su Hugging Face in inference-net/schematron-v2-llama-3.2-3b, quindi puoi scaricarli ed eseguirli da solo.
Quanto costa e quanta memoria contestuale ha?: Via Inference.net l’API costa $0,05 per milione di token in input e $0,23 per milione di token in output, con una finestra di contesto da 128.000 token.
Come do le istruzioni di estrazione?: Non si usano prompt system o user per le istruzioni — il modello si aspetta uno schema JSON fornito tramite il parametro response_format, e quello schema definisce cosa estrarre.

Verdetto del capitano
Uno strumento chirurgico: se la tua pipeline ha bisogno di trasformare HTML in JSON pulito a basso costo, Schematron V2 Small si guadagna il suo posto; chiedigli altro e resterai deluso.

Scheda modello su Hugging Face

Il capitano scrive queste note dalla descrizione e dalla scheda modello. Prezzi e dimensioni del contesto sono quelli del provider al momento della scrittura e possono cambiare.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Come si calcola questo punteggio

Questo modello non ha ancora dati di popolarità da nessuna fonte, quindi ha un numero provvisorio sotto 7,000° che mantiene le liste complete. Non supera mai un modello con dati. La suddivisione appare qui appena una fonte la segnala.

Glossario: i termini usati qui

Punteggio heat: Un numero che indica quanto un modello è usato e desiderato ora, da 0° a 9.999°. Ogni lista su questo sito che dice più caldo è ordinata per questo e nient’altro.
Soglia minima: I 7.000° da cui parte ogni modello con dati reali. La scala va da 0° a 9.999°; la parte sotto la soglia è riservata ai sostituti (modelli senza dati), così un modello con dati è sempre sopra uno senza. La soglia è uguale per tutti e non decide nulla; i gradi sopra sono la misura.
Equivalenti di download: Tutto ciò che il punteggio considera come un download, sommato: i download stessi, ogni seeder torrent come 1.000, ogni immagine AI Horde e ogni esecuzione su un sito di generazione come uno.
Scala logaritmica: Conta a decine, non a unità: passare da 1.000 a 10.000 download aggiunge gli stessi gradi che passare da 10.000 a 100.000. Evita che i giganti schiaccino tutto il resto.
Like: Pollici in su e like da ogni fonte, valgono metà di un download sulla scala logaritmica.
Tasso di adozione: Quanti download al giorno riceve un modello ora, dalla differenza tra due rilevazioni di una fonte. Un quarto del peso del termine download.
Misurato e stimato: Misurato significa che ci sono due letture di una fonte e la differenza è reale. Stimato significa che si conosce solo il totale di oggi e il passato è distribuito sulla vita del modello; il sito indica quale viene mostrato.
Seeder: Qualcuno che mantiene una copia dei pesi online per farli scaricare agli altri tramite torrent, o uno specchio ospitato che fa lo stesso. Ognuno conta come 1.000 download.
AI Horde: Una rete di volontari che genera immagini gratis su computer donati. Il numero di immagini create con un modello è pubblico, e ognuna conta come un download.
Siti di generazione: Siti che ospitano copie di un modello e permettono di generare con esso, come PixAI, SeaArt e Yodayo. I loro download contano come quelli di Civitai e ogni generazione come un download.
Token OpenRouter: Un modello di testo servito tramite API, come Claude o GPT, non ha pesi da scaricare, quindi il suo utilizzo si misura in token: i pezzi di testo letti e scritti tramite OpenRouter, un gateway usato da molte app, negli ultimi 30 giorni. Ogni 10,000,000 token conta come un download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modello completo (checkpoint): I pesi stessi, il file che genera da solo. Riceve un bonus perché da esso dipendono gli add-on.
LoRA e embedding: Piccoli file add-on che indirizzano i pesi di qualcun altro verso uno stile, un personaggio o un concetto. Non possono funzionare da soli.
Famiglia e pesi: La base su cui è costruito un modello, come SD 1.5, SDXL, Flux o Wan. Ogni modello eredita la data di rilascio dei pesi della sua famiglia.
Età: Gradi tolti in base a quanto tempo fa sono usciti i pesi della famiglia: 150° all'anno, fino a 750°. Mantiene i vecchi download che hanno avuto anni per accumularsi congelando la cima della lista.
Boost famiglia: Una piccola spinta limitata per le LoRA di una famiglia che questo sito sta promuovendo ora, sempre elencata nel dettaglio.
Punteggio stand-in: Un numero stabile sotto il minimo dato a un modello su cui nessuna fonte ha ancora dati, così le liste restano complete. Non supera mai un modello con dati.
Novità! (periodo di grazia): Un modello più giovane di 7 giorni mostra Novità! invece di un punteggio e non ha posizione nelle classifiche. Il suo punteggio è calcolato dal primo giorno, ma un modello di un giorno cresce più velocemente di qualsiasi altro, quindi senza l'attesa il #1 della settimana sarebbe sempre quello uscito ieri invece di quello che ha resistito per una settimana.
Tendenza: Come la crescita di un modello in un periodo si confronta con la crescita tipica di un modello nello stesso periodo. Più veloce del tipico si legge come aumento, più lento come calo.
Modello tipico: Il centro del catalogo: metà dei modelli con un valore è cresciuta più velocemente nel periodo, metà più lentamente.

Modelli simili

Modelli di IA per generare immagini, video e testo

Schematron V2 Small è un modello di testo per la famiglia Text / LLM presente su ModelTrends.ai, un catalogo in sola lettura di modelli di IA open source per immagini, video e testo. Confrontalo con gli altri modelli Text / LLM e controlla il punteggio di calore per vedere la tendenza.

Altri modelli Text / LLM Altri Testo / LLM Text / LLM llm inference-net estrazione dati locale budget veloce

Sfoglia per famiglia di modelli