Bolehkah saya menjalankan Schematron V2 Small secara tempatan?

Ya — berat terbuka dan dihoskan di Hugging Face di bawah inference-net/schematron-v2-llama-3.2-3b, jadi anda boleh muat turun dan jalankan sendiri.

Berapa kos dan berapa tetingkap konteksnya?

Melalui Inference.net API berharga $0.05 per sejuta token input dan $0.23 per sejuta token output, dengan tetingkap konteks 128,000 token.

Bagaimana saya memberi arahan ekstraksi?

Anda tidak menggunakan arahan sistem atau pengguna — model menjangka skema JSON yang dibekalkan melalui parameter response_format, dan skema itu menentukan apa yang diekstrak.

Schematron V2 Kecil

3712°

#llm #inference-net #pengekstrakan data #tempatan #bajet #pantas

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

Inference.net | konteks 128,000 token | $0.05/M input, $0.23/M output. Schematron V2 Kecil adalah model ekstraksi HTML-ke-JSON 3B-parameter dari Inference.net. Ia mengutamakan kualiti ekstraksi untuk skema kompleks dan halaman panjang. Arahan ekstraksi mesti disediakan melalui skema JSON dalam response_format dan bukan melalui arahan sistem atau pengguna.

Panduan untuk model ini

Ollama vs LM Studio (2026): aplikasi AI tempatan mana yang patut digunakan, dan model teratas yang dijalankan oleh setiap satu

Apakah fail GGUF? Model kuantisasi diterangkan (Q4, Q8, fp8, NF4)

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

Schematron V2 Small adalah model 3 bilion parameter dari Inference.net yang dibina untuk satu tugas: mengeluarkan data berstruktur dari HTML dan mengembalikannya sebagai JSON. Dengan 3B parameter ia kekal ringan dan murah, manakala generasi V2 menyasarkan kualiti ekstraksi pada skema kompleks dan halaman panjang. Jika anda mengikis, mengurai atau menyalurkan kandungan web ke dalam saluran, ini dibina khusus untuk kerja itu.

Dikenali untuk

Ekstraksi HTML-ke-JSON berstruktur sebagai fokus tunggal
Mengendalikan skema kompleks dan halaman HTML panjang tanpa penurunan kualiti
Tetingkap konteks 128,000 token muat kebanyakan halaman dunia sebenar
Berat terbuka tersedia di Hugging Face untuk penyebaran tempatan
Kos API sangat rendah: sebahagian kecil sen per halaman pada saiz biasa

Berhati-hati dengan

Arahan mesti melalui skema JSON dalam response_format — arahan sistem dan pengguna bukan cara mengawal model ini.
Pakar sempit: ia melakukan satu perkara dengan baik dan bukan pembantu serba guna.
Terma lesen tidak diterbitkan oleh pembuat; periksa repositori Hugging Face sebelum penggunaan komersial.

Terbaik untuk

Pengekstrakan data

Jalankan secara tempatan

Bajet

Pantas

Arahan untuk cuba

Ekstrak data produk

Tampal HTML mentah halaman produk e-dagang di bawah. Gunakan response_format dengan skema JSON yang menangkap: nama produk, harga, mata wang, status ketersediaan, ciri-ciri dalam bentuk senarai, dan URL imej pertama. Kembalikan hanya objek JSON, tiada ulasan.

Urai artikel berita

Berikut adalah HTML penuh artikel berita. Gunakan response_format dengan skema yang mengekstrak: tajuk utama, nama pengarang, tarikh penerbitan dalam ISO 8601, teks badan sebagai rentetan tunggal, dan semua pautan dalam badan sebagai senarai objek dengan teks pautan dan href.

Kikis senarai kerja

Di bawah adalah HTML halaman iklan kerja. Gunakan response_format dengan skema yang menangkap: tajuk kerja, nama syarikat, lokasi, julat gaji jika ada, jenis pekerjaan, kemahiran diperlukan sebagai senarai, dan deskripsi kerja penuh sebagai teks biasa tanpa tag HTML.

Bandingkan dengan

Schematron V2 Turbo
Model berat terbuka
konteks 128,000 token · Input $0.03/M, output $0.15/M
Gemini 3.1 Flash Lite
Model hanya API
konteks 1,048,576 token · Input $0.25/M, output $1.50/M
GPT-5.4 Nano
Model hanya API
konteks 400,000 token · Input $0.20/M, output $1.25/M
GPT-5.6 Luna
Model hanya API
konteks 1,050,000 token · Input $0.20/M, output $1.20/M

Lebih banyak model teks dari inference-net

Soalan yang sering ditanya

Bolehkah saya menjalankan Schematron V2 Small secara tempatan?: Ya — berat terbuka dan dihoskan di Hugging Face di bawah inference-net/schematron-v2-llama-3.2-3b, jadi anda boleh muat turun dan jalankan sendiri.
Berapa kos dan berapa tetingkap konteksnya?: Melalui Inference.net API berharga $0.05 per sejuta token input dan $0.23 per sejuta token output, dengan tetingkap konteks 128,000 token.
Bagaimana saya memberi arahan ekstraksi?: Anda tidak menggunakan arahan sistem atau pengguna — model menjangka skema JSON yang dibekalkan melalui parameter response_format, dan skema itu menentukan apa yang diekstrak.

Keputusan Kapten
Alat pembedahan: jika saluran anda memerlukan HTML ditukar menjadi JSON bersih dengan kos rendah, Schematron V2 Small layak; tanya apa-apa selain itu dan anda akan kecewa.

Kad model di Hugging Face

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh berubah.

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

Bagaimana skor ini dijumlahkan

Model ini belum ada data populariti dari mana-mana sumber lagi, jadi ia membawa nombor gantian di bawah 7,000° yang memastikan senarai lengkap. Ia tidak pernah menduduki tempat lebih tinggi daripada model yang ada data. Pecahan muncul di sini sebaik sahaja sumber melaporkannya.

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Model serupa

Qwen3.5 Plus 2026 04 20

Model AI untuk penjanaan imej, video dan teks

Schematron V2 Kecil ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm inference-net pengekstrakan data tempatan bajet pantas

Layari mengikut keluarga model