Kann ich Schematron V2 Small lokal ausführen?

Ja – die Gewichte sind offen und auf Hugging Face unter inference-net/schematron-v2-llama-3.2-3b gehostet, sodass Sie sie herunterladen und selbst ausführen können.

Was kostet es und wie groß ist der Kontext?

Über Inference.net kostet die API 0,05 $ pro Million Eingabetoken und 0,23 $ pro Million Ausgabetoken, mit einem Kontextfenster von 128.000 Token.

Wie gebe ich Extraktionsanweisungen?

Sie verwenden keine System- oder Benutzer-Prompts für Anweisungen – das Modell erwartet ein JSON-Schema, das über den Parameter response_format übergeben wird, und dieses Schema definiert, was extrahiert wird.

Schematron V2 Small

3712°

#llm #inference-net #datenauszug #lokal #budget #schnell

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

Inference.net | 128.000 Token Kontext | $0,05/M Eingabe, $0,23/M Ausgabe. Schematron V2 Small ist ein 3 Milliarden Parameter HTML-zu-JSON Extraktionsmodell von Inference.net. Es legt Priorität auf Extraktionsqualität bei komplexen Schemata und langen Seiten. Extraktionsanweisungen müssen über ein JSON-Schema im response_format bereitgestellt werden, nicht über System- oder Benutzer-Prompts.

Anleitungen zu diesem Modell

Ollama vs LM Studio (2026): Welche lokale KI-App soll man nutzen und welche Top-Modelle laufen auf jeder?

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

Schematron V2 Small ist ein 3-Milliarden-Parameter-Modell von Inference.net, das für eine einzige Aufgabe entwickelt wurde: strukturierte Daten aus HTML zu extrahieren und als JSON zurückzugeben. Mit 3 Milliarden Parametern bleibt es schlank und kostengünstig, während die V2-Generation auf Extraktionsqualität bei komplexen Schemata und langen Seiten abzielt. Wenn Sie Webinhalte scrapen, parsen oder in eine Pipeline einspeisen, ist dieses Modell speziell für diese Arbeit konzipiert.

Bekannt für

Strukturierte HTML-zu-JSON-Extraktion als alleiniges Fokusgebiet
Bewältigt komplexe Schemata und lange HTML-Seiten ohne Qualitätsverlust
128.000 Token Kontextfenster passt auf die meisten realen Seiten
Offene Gewichte auf Hugging Face für lokale Bereitstellung verfügbar
Sehr niedrige API-Kosten: Bruchteile eines Cents pro Seite bei typischer Größe

Achte auf

Anweisungen müssen über ein JSON-Schema im response_format erfolgen – System- und Benutzer-Prompts steuern das Modell nicht.
Eng spezialisierter Spezialist: Es macht eine Sache gut und ist kein Allzweck-Assistent.
Lizenzbedingungen sind vom Hersteller nicht veröffentlicht; vor kommerzieller Nutzung das Hugging Face Repository prüfen.

Am besten für

Prompts zum Ausprobieren

Produktdaten extrahieren

Fügen Sie unten den rohen HTML-Code einer E-Commerce-Produktseite ein. Verwenden Sie response_format mit einem JSON-Schema, das folgende Felder erfasst: Produktname, Preis, Währung, Verfügbarkeitsstatus, Aufzählungsmerkmale als Array und die URL des ersten Bildes. Geben Sie nur das JSON-Objekt zurück, keine Kommentare.

Einen Nachrichtenartikel parsen

Hier ist der vollständige HTML-Code eines Nachrichtenartikels. Verwenden Sie response_format mit einem Schema, das folgende Daten extrahiert: Überschrift, Autorenname, Veröffentlichungsdatum im ISO-8601-Format, Fließtext als einzelnen String und alle Hyperlinks im Text als Array von Objekten mit Ankertext und href.

Eine Stellenanzeige scrapen

Unten ist der HTML-Code einer Stellenanzeige. Verwenden Sie response_format mit einem Schema, das folgende Felder erfasst: Jobtitel, Firmenname, Standort, Gehaltsspanne falls vorhanden, Beschäftigungsart, erforderliche Fähigkeiten als Array und die vollständige Stellenbeschreibung als reiner Text ohne HTML-Tags.

Vergleichen mit

Schematron V2 Turbo
Modell mit offenen Gewichten
128,000 Token Kontext · $0.03/M Eingabe, $0.15/M Ausgabe
Gemini 3.1 Flash Lite
Nur API-Modell
1,048,576 Token Kontext · $0.25/M Eingabe, $1.50/M Ausgabe
GPT-5.4 Nano
Nur API-Modell
400,000 Token Kontext · $0.20/M Eingabe, $1.25/M Ausgabe
GPT-5.6 Luna
Nur API-Modell
1,050,000 Token Kontext · $0.20/M Eingabe, $1.20/M Ausgabe

Mehr Textmodelle von inference-net

Häufig gestellte Fragen

Kann ich Schematron V2 Small lokal ausführen?: Ja – die Gewichte sind offen und auf Hugging Face unter inference-net/schematron-v2-llama-3.2-3b gehostet, sodass Sie sie herunterladen und selbst ausführen können.
Was kostet es und wie groß ist der Kontext?: Über Inference.net kostet die API 0,05 $ pro Million Eingabetoken und 0,23 $ pro Million Ausgabetoken, mit einem Kontextfenster von 128.000 Token.
Wie gebe ich Extraktionsanweisungen?: Sie verwenden keine System- oder Benutzer-Prompts für Anweisungen – das Modell erwartet ein JSON-Schema, das über den Parameter response_format übergeben wird, und dieses Schema definiert, was extrahiert wird.

Captain's Urteil
Ein präzises Werkzeug: Wenn Ihre Pipeline HTML in sauberes JSON zu niedrigen Kosten umwandeln muss, verdient Schematron V2 Small seinen Platz; fragen Sie es etwas anderes, werden Sie enttäuscht sein.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Ähnliche Modelle

KI-Modelle für Bild-, Video- und Texterzeugung

Schematron V2 Small ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm inference-net datenauszug lokal budget schnell

Nach Modellfamilie stöbern