Bisakah saya menjalankan Schematron V2 Small secara lokal?

Ya — bobot terbuka dan dihosting di Hugging Face di bawah inference-net/schematron-v2-llama-3.2-3b, jadi Anda bisa mengunduh dan menjalankannya sendiri.

Berapa biaya dan berapa jendela konteksnya?

Melalui Inference.net, API dihargai $0,05 per juta token input dan $0,23 per juta token output, dengan jendela konteks 128.000 token.

Bagaimana cara memberikan instruksi ekstraksi?

Anda tidak menggunakan prompt sistem atau pengguna untuk instruksi — model mengharapkan skema JSON yang disuplai melalui parameter response_format, dan skema itu menentukan apa yang diekstrak.

Schematron V2 Small

3712°

#llm #inference-net #ekstraksi data #lokal #anggaran #cepat

Jalankan model ini

Penawaran / Iklan

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

Inference.net | konteks 128.000 token | $0,05/M input, $0,23/M output. Schematron V2 Small adalah model ekstraksi HTML-ke-JSON dengan 3 miliar parameter dari Inference.net. Model ini memprioritaskan kualitas ekstraksi untuk skema kompleks dan halaman panjang. Instruksi ekstraksi harus disediakan melalui skema JSON di response_format, bukan melalui prompt sistem atau pengguna.

Panduan untuk model ini

Ollama vs LM Studio (2026): aplikasi AI lokal mana yang harus digunakan, dan model top mana yang dijalankan masing-masing

Apa itu file GGUF? Penjelasan model terkuantisasi (Q4, Q8, fp8, NF4)

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

Schematron V2 Small adalah model 3 miliar parameter dari Inference.net yang dibuat untuk satu tugas: menarik data terstruktur dari HTML dan mengembalikannya sebagai JSON. Dengan 3B parameter, model ini tetap ramping dan murah, sementara generasi V2 menargetkan kualitas ekstraksi pada skema kompleks dan halaman panjang. Jika Anda melakukan scraping, parsing, atau mengalirkan konten web ke pipeline, ini dibuat khusus untuk pekerjaan itu.

Dikenal untuk

Ekstraksi HTML ke JSON terstruktur sebagai fokus utama
Menangani skema kompleks dan halaman HTML panjang tanpa penurunan kualitas
Jendela konteks 128.000 token cocok untuk sebagian besar halaman dunia nyata
Bobot terbuka tersedia di Hugging Face untuk penyebaran lokal
Biaya API sangat rendah: sebagian kecil sen per halaman pada ukuran tipikal

Waspadai

Instruksi harus melalui skema JSON di response_format — prompt sistem dan pengguna bukan cara mengendalikan model ini.
Spesialis sempit: hanya melakukan satu hal dengan baik dan bukan asisten umum.
Ketentuan lisensi tidak dipublikasikan oleh pembuat; periksa repositori Hugging Face sebelum penggunaan komersial.

Terbaik untuk

Ekstraksi data

Jalankan secara lokal

Anggaran

Cepat

Prompt untuk dicoba

Ekstrak data produk

Tempel HTML mentah halaman produk e-commerce di bawah ini. Gunakan response_format dengan skema JSON yang menangkap: nama produk, harga, mata uang, status ketersediaan, fitur dalam bentuk array poin-poin, dan URL gambar pertama. Kembalikan hanya objek JSON, tanpa komentar.

Parsing artikel berita

Berikut adalah HTML lengkap artikel berita. Gunakan response_format dengan skema yang mengekstrak: judul, nama penulis, tanggal publikasi dalam ISO 8601, teks isi sebagai string tunggal, dan semua hyperlink dalam isi sebagai array objek dengan teks jangkar dan href.

Scrape daftar pekerjaan

Di bawah ini adalah HTML halaman lowongan kerja. Gunakan response_format dengan skema yang menangkap: judul pekerjaan, nama perusahaan, lokasi, rentang gaji jika ada, jenis pekerjaan, keterampilan yang dibutuhkan sebagai array, dan deskripsi pekerjaan lengkap sebagai teks polos tanpa tag HTML.

Bandingkan dengan

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

Model teks lain dari inference-net

Pertanyaan yang sering diajukan

Bisakah saya menjalankan Schematron V2 Small secara lokal?: Ya — bobot terbuka dan dihosting di Hugging Face di bawah inference-net/schematron-v2-llama-3.2-3b, jadi Anda bisa mengunduh dan menjalankannya sendiri.
Berapa biaya dan berapa jendela konteksnya?: Melalui Inference.net, API dihargai $0,05 per juta token input dan $0,23 per juta token output, dengan jendela konteks 128.000 token.
Bagaimana cara memberikan instruksi ekstraksi?: Anda tidak menggunakan prompt sistem atau pengguna untuk instruksi — model mengharapkan skema JSON yang disuplai melalui parameter response_format, dan skema itu menentukan apa yang diekstrak.

Putusan Kapten
Alat yang sangat spesifik: jika pipeline Anda perlu mengubah HTML menjadi JSON bersih dengan biaya rendah, Schematron V2 Small layak dipakai; tanyakan hal lain dan Anda akan kecewa.

Kartu model di Hugging Face

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat 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 dihitung

Model ini belum punya data popularitas dari sumber mana pun, jadi memakai angka pengganti di bawah 7,000° supaya daftar tetap lengkap. Model ini tidak pernah berada di atas model yang punya data. Rinciannya akan muncul di sini segera setelah ada laporan dari sumber.

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Model Serupa

L3.3 70B Euryale v2.3

TEXT / LLM

Model AI untuk Pembuatan Gambar, Video & Teks

Schematron V2 Small adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm inference-net ekstraksi data lokal anggaran cepat

Jelajahi berdasarkan Keluarga Model