Inference.net: Schematron V2 Small

Суть

Schematron V2 Small — специализированная модель Inference.net для извлечения данных из HTML. Она преобразует содержимое страницы, в том числе сложное или неаккуратно размеченное, в JSON, соответствующий переданной схеме. Схема задаёт нужные поля и типы данных и служит инструкцией для извлечения.

Сильные стороны

По описанию разработчика, Small ориентирована на качество извлечения, в частности при сложных схемах и длинных страницах. В семействе Schematron модели рассчитаны на обработку HTML с соблюдением заданной структуры ответа. Для формирования результата используется ограничение формата по схеме: это помогает получить JSON заданной формы, а не свободный текст, который затем нужно исправлять.

Контекст и модальности

По данным каталога, модель принимает текст и выдаёт текст; длина контекста — 128 000 токенов, максимальная длина ответа — 4 096 токенов. HTML передаётся как текст, а результатом служит текстовое представление JSON. Эти параметры относятся к интерфейсу модели в каталоге.

Типовые сценарии

Модель подходит для извлечения полей из товарных карточек, объявлений и других веб-страниц, преобразования HTML в записи с фиксированной структурой, а также для конвейеров сбора и нормализации веб-данных. Её удобно применять, когда набор нужных полей заранее описан схемой и требуется обрабатывать страницы одинаковым способом.

Ограничения

Это узкоспециализированный инструмент для преобразования HTML в структурированные данные, а не универсальный помощник для произвольных диалоговых задач. Для управления извлечением нужно передать JSON-схему; без описания ожидаемой структуры модель не получает требуемых полей как явную инструкцию. Соответствие формату само по себе не гарантирует, что исходная страница содержит все данные или что каждое извлечённое значение верно.

Отличие от соседей по семейству

В документации Inference.net Schematron V2 Small позиционируется как вариант с акцентом на качество извлечения, в том числе на сложных схемах. Schematron V2 Turbo описан как вариант для более высокой пропускной способности и скорости обработки при меньших затратах. Выбор зависит от приоритета: качество на трудных страницах или скорость обработки.