Puis-je exécuter Schematron V2 Small localement ?

Oui — les poids sont ouverts et hébergés sur Hugging Face sous inference-net/schematron-v2-llama-3.2-3b, vous pouvez donc les télécharger et l'exécuter vous-même.

Quel est le coût et la taille de la fenêtre de contexte ?

Via Inference.net, l'API est tarifée à 0,05 $ par million de tokens en entrée et 0,23 $ par million de tokens en sortie, avec une fenêtre de contexte de 128 000 tokens.

Comment lui donner des instructions d'extraction ?

Vous n'utilisez pas de prompts système ou utilisateur pour les instructions — le modèle attend un schéma JSON fourni via le paramètre response_format, et ce schéma définit ce qu'il extrait.

Schematron V2 Small

3712°

#llm #inference-net #extraction de données #local #budget #rapide

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Inference.net | contexte de 128 000 tokens | 0,05 $/M entrée, 0,23 $/M sortie. Schematron V2 Small est un modèle d'extraction HTML-vers-JSON de 3 milliards de paramètres développé par Inference.net. Il privilégie la qualité d'extraction pour des schémas complexes et des pages longues. Les instructions d'extraction doivent être fournies via un schéma JSON dans response_format plutôt que par des prompts système ou utilisateur.

Guides pour ce modèle

Ollama vs LM Studio (2026) : quelle application d’IA locale choisir, et quels modèles top chacun fait tourner

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Schematron V2 Small est un modèle de 3 milliards de paramètres d'Inference.net conçu pour une tâche unique : extraire des données structurées à partir de HTML et les retourner en JSON. Avec 3 milliards de paramètres, il reste léger et peu coûteux, tandis que la génération V2 vise la qualité d'extraction sur des schémas complexes et des pages longues. Si vous faites du scraping, du parsing ou du piping de contenu web dans un pipeline, il est conçu spécialement pour ce travail.

Connu pour

Extraction structurée HTML vers JSON comme unique objectif
Gère des schémas complexes et des pages HTML longues sans dégradation
Fenêtre de contexte de 128 000 tokens adaptée à la plupart des pages réelles
Poids ouverts disponibles sur Hugging Face pour déploiement local
Coût API très bas : une fraction de centime par page aux tailles typiques

Attention à

Les instructions doivent passer par un schéma JSON dans response_format — les prompts système et utilisateur ne servent pas à piloter ce modèle.
Spécialiste étroit : il fait bien une chose et n'est pas un assistant généraliste.
Les termes de licence ne sont pas publiés par le fabricant ; vérifiez le dépôt Hugging Face avant usage commercial.

Idéal pour

Extraction de données

Fonctionne localement

Budget

Rapide

Prompts à essayer

Extraire les données produit

Collez ci-dessous le HTML brut d'une page produit e-commerce. Utilisez response_format avec un schéma JSON qui capture : nom du produit, prix, devise, statut de disponibilité, caractéristiques sous forme de liste, et URL de la première image. Ne retournez que l'objet JSON, sans commentaire.

Analyser un article de presse

Voici le HTML complet d'un article de presse. Utilisez response_format avec un schéma qui extrait : titre, nom de l'auteur, date de publication en ISO 8601, texte du corps en une seule chaîne, et tous les liens hypertexte du corps sous forme de tableau d'objets avec texte d'ancre et href.

Scraper une offre d'emploi

Ci-dessous le HTML d'une page d'offre d'emploi. Utilisez response_format avec un schéma qui capture : intitulé du poste, nom de l'entreprise, localisation, fourchette salariale si présente, type de contrat, compétences requises sous forme de liste, et description complète du poste en texte brut sans balises HTML.

Comparer avec

Schematron V2 Turbo
Modèle à poids ouverts
Contexte de 128,000 tokens · entrée $0.03/M, sortie $0.15/M
Gemini 3.1 Flash Lite
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $0.25/M, sortie $1.50/M
GPT-5.4 Nano
Modèle uniquement API
Contexte de 400,000 tokens · entrée $0.20/M, sortie $1.25/M
GPT-5.6 Luna
Modèle uniquement API
Contexte de 1,050,000 tokens · entrée $0.20/M, sortie $1.20/M

Plus de modèles de texte de inference-net

Questions fréquentes

Puis-je exécuter Schematron V2 Small localement ?: Oui — les poids sont ouverts et hébergés sur Hugging Face sous inference-net/schematron-v2-llama-3.2-3b, vous pouvez donc les télécharger et l'exécuter vous-même.
Quel est le coût et la taille de la fenêtre de contexte ?: Via Inference.net, l'API est tarifée à 0,05 $ par million de tokens en entrée et 0,23 $ par million de tokens en sortie, avec une fenêtre de contexte de 128 000 tokens.
Comment lui donner des instructions d'extraction ?: Vous n'utilisez pas de prompts système ou utilisateur pour les instructions — le modèle attend un schéma JSON fourni via le paramètre response_format, et ce schéma définit ce qu'il extrait.

Verdict du capitaine
Un outil chirurgical : si votre pipeline a besoin de transformer du HTML en JSON propre à faible coût, Schematron V2 Small mérite sa place ; demandez-lui autre chose et vous serez déçu.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

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

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Modèles d'IA pour générer image, vidéo et texte

Schematron V2 Small est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm inference-net extraction de données local budget rapide

Parcourir par famille de modèles

Modèles Text / LLM

434