Czy mogę uruchomić Schematron V2 Small lokalnie?

Tak — wagi są otwarte i dostępne na Hugging Face pod inference-net/schematron-v2-llama-3.2-3b, więc możesz je pobrać i uruchomić samodzielnie.

Ile kosztuje i jak duże ma okno kontekstu?

API Inference.net kosztuje 0,05 USD za milion tokenów wejściowych i 0,23 USD za milion tokenów wyjściowych, z oknem kontekstu 128 000 tokenów.

Jak przekazać instrukcje ekstrakcji?

Nie używasz promptów systemowych ani użytkownika do instrukcji — model oczekuje schematu JSON przekazanego przez parametr response_format, a ten schemat definiuje, co jest wyciągane.

Schematron V2 Small

3712°

#llm #inference-net #ekstrakcja danych #lokalny #budżet #szybki

Uruchom model

Oferty / Reklamy

OpenRouter Terminal / API

Płać za token

Rozmawiaj z tym modelem w przeglądarce lub wywołuj go z kodu za pomocą jednego klucza API.

Inference.net | 128,000 tokenów kontekstu | $0.05/M wejścia, $0.23/M wyjścia. Schematron V2 Small to model ekstrakcji HTML-do-JSON o 3 miliardach parametrów od Inference.net. Priorytetem jest jakość ekstrakcji dla złożonych schematów i długich stron. Instrukcje ekstrakcji muszą być dostarczone poprzez schemat JSON w response_format, a nie przez systemowe lub użytkownika prompt'y.

Poradniki do tego modelu

Ollama vs LM Studio (2026): którą lokalną aplikację AI wybrać i które topowe modele obsługuje każda z nich

Co to jest plik GGUF? Wyjaśnienie modeli kwantyzowanych (Q4, Q8, fp8, NF4)

Wszystkie poradniki

Notatki kapitana

Napisane przez Captain, redaktora domu

Notatki z 2026-10-13

Schematron V2 Small to model o 3 miliardach parametrów od Inference.net, stworzony do jednego zadania: wyciągania danych strukturalnych z HTML i zwracania ich jako JSON. Przy 3 mld parametrów pozostaje lekki i tani, a generacja V2 celuje w jakość ekstrakcji na złożonych schematach i długich stronach. Jeśli zajmujesz się scrapowaniem, parsowaniem lub przesyłaniem zawartości webowej do pipeline’u, jest to narzędzie stworzone do tej pracy.

Znany z

Ekstrakcja strukturalna HTML do JSON jako jedyne zadanie
Radzi sobie ze złożonymi schematami i długimi stronami bez utraty jakości
Okno kontekstu 128 000 tokenów mieści większość stron realnego świata
Otwarte wagi dostępne na Hugging Face do lokalnego uruchomienia
Bardzo niski koszt API: ułamki centa za stronę przy typowych rozmiarach

Uważaj na

Instrukcje muszą być przekazywane przez schemat JSON w response_format — nie używa się promptów systemowych ani użytkownika do sterowania modelem.
Wąska specjalizacja: robi jedno dobrze i nie jest asystentem ogólnego przeznaczenia.
Warunki licencji nie są opublikowane przez twórcę; sprawdź repozytorium Hugging Face przed użyciem komercyjnym.

Najlepszy do

Podpowiedzi do wypróbowania

Ekstrakcja danych produktu

Wklej poniżej surowy HTML strony produktu e-commerce. Użyj response_format ze schematem JSON, który wyłapie: nazwę produktu, cenę, walutę, status dostępności, cechy w punktach jako tablicę oraz pierwszy URL obrazu. Zwróć tylko obiekt JSON, bez komentarzy.

Parsowanie artykułu informacyjnego

Oto pełny HTML artykułu informacyjnego. Użyj response_format ze schematem, który wyciągnie: nagłówek, nazwisko autora, datę publikacji w formacie ISO 8601, tekst artykułu jako pojedynczy ciąg oraz wszystkie linki w treści jako tablicę obiektów z tekstem kotwicy i href.

Scrapowanie oferty pracy

Poniżej jest HTML strony z ofertą pracy. Użyj response_format ze schematem, który wyłapie: tytuł stanowiska, nazwę firmy, lokalizację, zakres wynagrodzenia jeśli jest, typ zatrudnienia, wymagane umiejętności jako tablicę oraz pełny opis pracy jako czysty tekst bez tagów HTML.

Porównaj z

Schematron V2 Turbo
Model z otwartymi wagami
Kontekst 128,000 tokenów · $0.03/M wejście, $0.15/M wyjście
Gemini 3.1 Flash Lite
Model tylko z API
Kontekst 1,048,576 tokenów · $0.25/M wejście, $1.50/M wyjście
GPT-5.4 Nano
Model tylko z API
Kontekst 400,000 tokenów · $0.20/M wejście, $1.25/M wyjście
GPT-5.6 Luna
Model tylko z API
Kontekst 1,050,000 tokenów · $0.20/M wejście, $1.20/M wyjście

Więcej modeli tekstowych od inference-net

Pytania, które ludzie zadają

Czy mogę uruchomić Schematron V2 Small lokalnie?: Tak — wagi są otwarte i dostępne na Hugging Face pod inference-net/schematron-v2-llama-3.2-3b, więc możesz je pobrać i uruchomić samodzielnie.
Ile kosztuje i jak duże ma okno kontekstu?: API Inference.net kosztuje 0,05 USD za milion tokenów wejściowych i 0,23 USD za milion tokenów wyjściowych, z oknem kontekstu 128 000 tokenów.
Jak przekazać instrukcje ekstrakcji?: Nie używasz promptów systemowych ani użytkownika do instrukcji — model oczekuje schematu JSON przekazanego przez parametr response_format, a ten schemat definiuje, co jest wyciągane.

Wyrok kapitana
Precyzyjne narzędzie: jeśli Twój pipeline potrzebuje przekształcać HTML w czysty JSON niskim kosztem, Schematron V2 Small zasługuje na miejsce; zapytaj go o cokolwiek innego, a będziesz rozczarowany.

Karta modelu na Hugging Face

Kapitan pisze te notatki na podstawie opisu modelu i karty modelu. Ceny i rozmiary kontekstu pochodzą od dostawcy w momencie pisania i mogą się zmieniać.

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

Jak ten wynik się sumuje

Ten model nie ma jeszcze danych o popularności z żadnego źródła, więc ma zastępczą wartość poniżej 7,000°, która pozwala utrzymać kompletność list. Nigdy nie zajmuje wyższej pozycji niż model z danymi. Szczegóły pojawią się tutaj, gdy tylko jakieś źródło je zgłosi.

Słowniczek: używane tu terminy

Wynik heat: Jedna liczba pokazująca, jak bardzo model jest używany i pożądany teraz, od 0° do 9,999°. Każda lista na tej stronie z napisem hottest jest sortowana według tego i niczego innego.
Podstawa: 7,000° to punkt startowy dla każdego modelu z prawdziwymi danymi. Skala idzie od 0° do 9,999°; część poniżej podstawy jest zarezerwowana dla zastępczych modeli (bez danych), żeby model z danymi zawsze był wyżej. Podstawa jest taka sama dla wszystkich i nic nie decyduje; stopnie powyżej niej to właściwy pomiar.
Równoważniki pobrań: Wszystko, co wynik traktuje jak pobranie, zsumowane: same pobrania, każdy seeder torrenta jako 1,000, każde AI Horde zdjęcie i każde uruchomienie na stronie generującej jako jedno.
Skala logarytmiczna: Liczenie co dziesięć, nie co jeden: przejście z 1,000 do 10,000 pobrań dodaje tyle samo stopni, co z 10,000 do 100,000. Zapobiega to dominacji gigantów nad resztą.
Polubienia: Kciuki w górę i polubienia ze wszystkich źródeł, warte połowę pobrania na skali logarytmicznej.
Tempo adopcji: Ile pobrań dziennie model ma teraz, na podstawie różnicy między dwoma odczytami źródła. Ćwierć wagi terminu pobrania.
Zmierzony i szacowany: Zmierzony oznacza, że istnieją dwa odczyty źródła i różnica jest rzeczywista. Szacowany oznacza, że znana jest tylko dzisiejsza suma, a przeszłość jest rozłożona na czas życia modelu; strona mówi, który z nich pokazuje.
Seeder: Ktoś, kto trzyma kopię wag online, aby inni mogli je pobrać przez torrent, albo hostowany mirror robiący to samo. Każdy taki liczy się jako 1 000 pobrań.
AI Horde: Sieć wolontariuszy, która generuje obrazy za darmo na komputerach darczyńców. Liczba obrazów wygenerowanych z modelem jest publiczna i każde liczy się jako jedno pobranie.
Strony generujące: Strony, które mają własne kopie modelu i pozwalają ludziom generować z nim obrazy, takie jak PixAI, SeaArt i Yodayo. Ich pobrania liczą się jak na Civitai, a każde uruchomienie generowania to jedno pobranie.
Tokeny OpenRouter: Model tekstowy obsługiwany przez API, taki jak Claude czy GPT, nie ma wag do pobrania, więc jego użycie mierzy się tokenami: fragmentami tekstu, które przeczytał i napisał przez OpenRouter, bramkę używaną przez wiele aplikacji, w ciągu ostatnich 30 dni. Każde 10,000,000 tokenów liczy się jako jedno pobranie. Źródło: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Pełny model (checkpoint): Same wagi, plik, który generuje samodzielnie. Dostaje bonus, bo dodatki od niego zależą.
LoRA i embedding: Małe pliki dodatków, które kierują czyjeś wagi w stronę stylu, postaci lub koncepcji. Nie mogą działać samodzielnie.
Rodzina i wagi: Podstawa, na której zbudowano model, np. SD 1.5, SDXL, Flux lub Wan. Każdy model dziedziczy datę wydania wag swojej rodziny.
Wiek: Stopnie odejmowane za to, jak dawno wyszły wagi rodziny: 150° za rok, do 750°. Zachowuje stare pobrania, które miały lata na narastanie, zamrażając szczyt listy.
Wzmocnienie rodziny: Małe, ograniczone wsparcie dla LoRA z rodziny, którą ta strona teraz promuje, zawsze podane w rozbiciu.
Wynik zastępczy: Stabilna liczba poniżej minimum, przyznawana modelowi, o którym jeszcze nie ma danych źródłowych, żeby listy były kompletne. Nigdy nie jest wyżej niż model z danymi.
Nowy! (okres karencji): Model młodszy niż 7 dni pokazuje Nowy! zamiast wyniku i nie zajmuje miejsca w rankingu. Jego wynik jest liczony od pierwszego dnia, ale model jednodniowy rośnie najszybciej, więc bez oczekiwania #1 tygodnia byłby zawsze tym, który pojawił się wczoraj, a nie tym, który utrzymał się przez tydzień.
Trend: Jak wzrost modelu w danym okresie wypada na tle typowego wzrostu modelu w tym samym czasie. Szybszy niż zwykle to wzrost, wolniejszy to spadek.
Typowy model: Środek katalogu: połowa modeli z danymi rosła szybciej w tym okresie, połowa wolniej.

Podobne modele

Codestral 2508

TEXT / LLM

Llama 3.3 70B Instruct

Modele AI do generowania obrazów, wideo i tekstu

Schematron V2 Small to model tekstowy z rodziny Text / LLM wymieniony na ModelTrends.ai, katalogu tylko do odczytu otwartych modeli AI do obrazów, wideo i tekstu. Porównaj go z innymi modelami Text / LLM i sprawdź wynik popularności, aby zobaczyć trend.

Więcej modeli Text / LLM Więcej Text / LLM Tekst / LLM llm inference-net ekstrakcja danych lokalny budżet szybki

Przeglądaj według rodziny modeli