基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 テキスト
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗DISCOVER & COMPARE
AIモデルを探す 16
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 テキスト
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 テキスト→ 出力 テキスト
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 テキスト→ 出力 テキスト
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗gliguard-LLMGuardrails-300M
fastinoGLiGuard is a compact, encoder-based guardrail model for LLM safety moderation built on the `GLiNER2` interface. Instead of generating moderation verdicts autoregressively, it treats safety as structured classification: you provide task names and candidate labels at inference time, and the model scores all requested moderation tasks in a single bidirectional encoder pass. This model is CPU-first and can be used for effective protection against prompt hack injection, jailbreaking, and identifying harmful content. *GLiGuard’s accuracy remains competitive with guardrail models that are 23 to 90 times its size while running up to 16 times faster with 17 times lower latency.* The released checkpoint, `fastino/gliguard-LLMGuardrails-300M`, is a 0.3B-parameter model designed for fast local inference.
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗gliner2.5-base-v1
fastino> *Extract entities, classify text, parse structured records, score span attributes, and extract relations — all in one boundary architecture.* GLiNER2.5 Base is the English boundary checkpoint at DeBERTa-v3-base scale. It is the everyday English model for schema-driven NER, classification, records, and relations. Load it with `AutoExtractor`: the checkpoint's `architecture` field selects `BoundaryExtractor` automatically. Fine-tune via Fastino. Join discussions on Reddit.
翻訳待ち・原文を表示
入力 未確認→ 出力 未確認
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗GLiNER2.5-Decide
fastino**The 340M English classification model in the GLiNER2.5 family.** Pass any label set at call time: intent, routing, sentiment, priority, policy, and multi-label tags, in a single forward pass. No prompt template. No generated tokens. Load it with `AutoExtractor` and ship it locally. A single call can score several heads at once. Single-label tasks return one string. Multi-label tasks return every label above the threshold. Exact-match accuracy on `fastino/fast-decisions`: 17 domains, 300 held-out examples each, with the same text and candidate labels for every model.
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗GLiNER2.5-Decide-1B
fastino基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 未確認→ 出力 未確認
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗GLiNER2.5-multi-Decide
fastino**The 287M multilingual classification model in the GLiNER2.5 family.** Pass any label set at call time: intent, routing, sentiment, priority, policy, and multi-label tags, in a single forward pass. No prompt template. No generated tokens. Load it with `AutoExtractor` and ship it locally. Use it when the text is not English. A single call can score several heads at once. Single-label tasks return one string. Multi-label tasks return every label above the threshold. Exact-match accuracy on `fastino/fast-decisions`: 17 domains, 300 held-out examples each, with the same text and candidate labels for every model.
翻訳待ち・原文を表示
入力 未確認→ 出力 未確認
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗gliner2.5-multi-v1
fastino> *Extract entities, classify text, parse structured records, score span attributes, and extract relations — all in one boundary architecture.* GLiNER2.5 Multi is the multilingual boundary checkpoint. It is built on mDeBERTa-v3-base and is the default choice when you need entities, classification, records, and relations in one model across languages. Load it with `AutoExtractor`: the checkpoint's `architecture` field selects `BoundaryExtractor` automatically. Fine-tune via Fastino. Join discussions on Reddit.
翻訳待ち・原文を表示
入力 未確認→ 出力 未確認
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗gliner2.5-small-v1
fastino> *Extract entities, classify text, parse structured records, score span attributes, and extract relations — all in one boundary architecture.* GLiNER2.5 Small is the compact English boundary checkpoint. It keeps the same public API as the larger 2.5 models while running faster on CPU and edge-style deployments. Load it with `AutoExtractor`: the checkpoint's `architecture` field selects `BoundaryExtractor` automatically. Fine-tune via Fastino. Join discussions Reddit.
翻訳待ち・原文を表示
入力 未確認→ 出力 未確認
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗gliner2-base-v1
fastino> *Extract entities, classify text, parse structured data, and extract relations—all in one efficient model.* GLiNER2 unifies **Named Entity Recognition**, **Text Classification**, **Structured Data Extraction**, and **Relation Extraction** into a single 205M parameter model. It provides efficient CPU-based inference without requiring complex pipelines or external API dependencies. Fine-tune via Fastino. Join discussions on Discord and Reddit.
翻訳待ち・原文を表示
入力 未確認→ 出力 未確認
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗GLiNER2-Guardrails-PII-Multi
fastino基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 テキスト→ 出力 テキスト
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗gliner2-large-v1
fastino> *Extract entities, classify text, parse structured data, and extract relations—all in one efficient model.* GLiNER2 unifies **Named Entity Recognition**, **Text Classification**, **Structured Data Extraction**, and **Relation Extraction** into a single 205M parameter model. It provides efficient CPU-based inference without requiring complex pipelines or external API dependencies. Fine-tune via Fastino. Join discussions on Discord and Reddit.
翻訳待ち・原文を表示
入力 未確認→ 出力 未確認
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗gliner2-multi-v1
fastino> *Extract entities, classify text, parse structured data, and extract relations—all in one efficient model.* GLiNER2 unifies **Named Entity Recognition**, **Text Classification**, **Structured Data Extraction**, and **Relation Extraction** into a single 205M parameter model. It provides efficient CPU-based inference without requiring complex pipelines or external API dependencies. Fine-tune via Fastino. Join discussions on Discord and Reddit.
翻訳待ち・原文を表示
入力 未確認→ 出力 未確認
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗**GLiNER2-PII** is a fine-tune of the GLiNER2 model (205M parameters) for detecting and masking personally identifiable information across **42 entity types** and **7 languages**. Trained entirely on a constraint-driven synthetic corpus of 4,910 annotated texts, it achieves the **highest span-level F1 (0.477)** on the SPY benchmark among four compared systems — including OpenAI Privacy Filter, NVIDIA GLiNER-PII, and urchade/gliner\_multi\_pii-v1. 📄 **Technical Report** 🔗 **GitHub**
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗該当するモデルがありません
提供元・分類・入出力の条件を変更してください。新しいモデルを随時追加しています。
COST EXPLORER
モデル選びに、費用の視点も。
月間トークン数を調整してAPI費用を比較。
1 M = 100万トークン・米ドル
同一チャネルの基本テキスト料金を比較
同一チャネルの基本テキスト料金を比較
収集済みの比較可能な100万トークン当たり米ドル料金です。キャッシュ割引、段階料金、追加推論出力、税金は含みません。最新料金は出典で確認してください。
MODEL HANDBOOK
モデルを理解して選ぶ
API料金はどう比較しますか？+
入力・出力・キャッシュ料金を分け、同じ用途と使用量で総費用を比較します。画像・音声・動画は枚数、時間、解像度で課金される場合があります。
オープンウェイトは無料で商用利用できますか？+
必ずしもそうではありません。バージョンごとのライセンス、商用制限、ポリシーを確認してください。自前運用には計算資源と保守費用も必要です。
ランキング1位が最適ですか？+
順位はテスト、バージョン、評価方法によります。実際の業務データで精度、遅延、安定性、費用を比較してください。