Pot rula Schematron V2 Small local?

Da — greutățile sunt deschise și găzduite pe Hugging Face sub inference-net/schematron-v2-llama-3.2-3b, deci le poți descărca și rula singur.

Cât costă și cât context are?

Prin Inference.net API-ul costă $0.05 per milion de tokeni de input și $0.23 per milion de tokeni de output, cu o fereastră de context de 128.000 de tokeni.

Cum îi dau instrucțiuni de extracție?

Nu folosești prompturi system sau user pentru instrucțiuni — modelul așteaptă o schemă JSON furnizată prin parametrul response_format, iar acea schemă definește ce extrage.

Schematron V2 Small

3712°

#llm #inference-net #extracție date #local #buget #rapid

Rulează modelul

Oferte / Reclame

OpenRouter Terminal / API

Plătește pe token

Conversează cu acest model în browser sau apelează-l din codul tău cu o singură cheie API.

Inference.net | context de 128.000 tokeni | 0,05 $/M input, 0,23 $/M output. Schematron V2 Small este un model de extragere HTML-to-JSON de 3 miliarde de parametri de la Inference.net. Prioritizează calitatea extragerii pentru scheme complexe și pagini lungi. Instrucțiunile de extragere trebuie furnizate printr-o schemă JSON în response_format, nu prin prompturi de sistem sau utilizator.

Ghiduri pentru acest model

Ollama vs LM Studio (2026): ce aplicație AI locală să folosești și ce modele de top rulează fiecare

Ce este un fișier GGUF? Modele cuantificate explicate (Q4, Q8, fp8, NF4)

Toate ghidurile

Notele căpitanului

Scris de Captain, editorul casei

Note din 2026-10-13

Schematron V2 Small este un model de 3 miliarde de parametri de la Inference.net construit pentru un singur scop: extragerea datelor structurate din HTML și returnarea lor ca JSON. La 3B parametri rămâne compact și ieftin, în timp ce generația V2 vizează calitatea extracției pe scheme complexe și pagini lungi. Dacă faci scraping, parsing sau pipe-uri de conținut web într-un pipeline, acesta este construit special pentru asta.

Cunoscut pentru

Extragere structurată HTML-to-JSON ca singur scop
Gestionează scheme complexe și pagini HTML lungi fără degradare
Fereastră de context de 128.000 de tokeni care acoperă majoritatea paginilor reale
Greutăți deschise disponibile pe Hugging Face pentru implementare locală
Cost API foarte scăzut: fracțiuni de cent pe pagină la dimensiuni tipice

Atenție la

Instrucțiunile trebuie să treacă printr-o schemă JSON în response_format — prompturile system și user nu sunt modul de a conduce modelul.
Specialist îngust: face un singur lucru bine și nu este un asistent generalist.
Termenii licenței nu sunt publicați de producător; verifică depozitul Hugging Face înainte de utilizarea comercială.

Cel mai bun pentru

Sugestii de încercat

Extrage date despre produs

Lipește mai jos HTML-ul brut al unei pagini de produs e-commerce. Folosește response_format cu o schemă JSON care capturează: numele produsului, prețul, moneda, starea disponibilității, caracteristicile sub formă de listă, și URL-ul primei imagini. Returnează doar obiectul JSON, fără comentarii.

Parsează un articol de știri

Iată HTML-ul complet al unui articol de știri. Folosește response_format cu o schemă care extrage: titlul, numele autorului, data publicării în format ISO 8601, textul corpului ca un șir unic și toate hyperlinkurile din corp ca o listă de obiecte cu textul ancoră și href.

Extrage un anunț de job

Mai jos este HTML-ul unei pagini de anunț de job. Folosește response_format cu o schemă care capturează: titlul jobului, numele companiei, locația, intervalul salarial dacă este prezent, tipul de angajare, abilitățile necesare ca listă și descrierea completă a jobului ca text simplu fără taguri HTML.

Compară cu

Schematron V2 Turbo
Model cu greutăți deschise
context de 128,000 tokeni · $0.03/M intrare, $0.15/M ieșire
Gemini 3.1 Flash Lite
Model doar API
context de 1,048,576 tokeni · $0.25/M intrare, $1.50/M ieșire
GPT-5.4 Nano
Model doar API
context de 400,000 tokeni · $0.20/M intrare, $1.25/M ieșire
GPT-5.6 Luna
Model doar API
context de 1,050,000 tokeni · $0.20/M intrare, $1.20/M ieșire

Mai multe modele text de la inference-net

Întrebări frecvente

Pot rula Schematron V2 Small local?: Da — greutățile sunt deschise și găzduite pe Hugging Face sub inference-net/schematron-v2-llama-3.2-3b, deci le poți descărca și rula singur.
Cât costă și cât context are?: Prin Inference.net API-ul costă $0.05 per milion de tokeni de input și $0.23 per milion de tokeni de output, cu o fereastră de context de 128.000 de tokeni.
Cum îi dau instrucțiuni de extracție?: Nu folosești prompturi system sau user pentru instrucțiuni — modelul așteaptă o schemă JSON furnizată prin parametrul response_format, iar acea schemă definește ce extrage.

Verdictul căpitanului
Un instrument chirurgical: dacă pipeline-ul tău are nevoie să transforme HTML în JSON curat la cost redus, Schematron V2 Small își merită locul; întreabă-l altceva și vei fi dezamăgit.

Fișa modelului pe Hugging Face

Căpitanul scrie aceste note pe baza descrierii modelului și a fișei modelului. Prețurile și dimensiunile contextului sunt cele ale furnizorului la momentul scrierii și pot varia.

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

Cum se adună acest scor

Acest model nu are încă date de popularitate de la nicio sursă, așa că are un număr provizoriu sub 7,000° care menține listele complete. Nu va fi niciodată clasat mai sus decât un model cu date. Descompunerea apare aici imediat ce o sursă o raportează.

Glosar: termenii folosiți aici

Scor de căldură: Un număr care arată cât de mult este folosit și dorit un model acum, de la 0° la 9.999°. Fiecare listă de pe site care spune „cele mai călduroase” este sortată după acest scor și nimic altceva.
Prag: 7.000° este punctul de start pentru orice model cu date reale. Scara merge de la 0° la 9.999°; partea de sub prag este rezervată pentru înlocuitori (modele fără date), ca să fie sigur că un model cu date e mereu mai sus decât unul fără. Pragul e același pentru toți și nu decide nimic; gradele de deasupra lui sunt măsurătoarea.
Echivalente descărcări: Tot ce scorul tratează ca o descărcare, adunat: descărcările în sine, fiecare seeder de torrent ca 1.000, fiecare imagine AI Horde și fiecare rulare pe un site de generare ca una.
Scară logaritmică: Se numără la zeci, nu la unități: trecerea de la 1.000 la 10.000 descărcări adaugă aceleași grade ca trecerea de la 10.000 la 100.000. Astfel, modelele mari nu acoperă tot ce e mic.
Aprecieri: Like-uri și aprecieri de oriunde, fiecare valorează jumătate dintr-o descărcare pe scara logaritmică.
Rata de adoptare: Câte descărcări pe zi primește un model acum, calculat din diferența dintre două citiri ale unei surse. Are un sfert din greutatea termenului de descărcare.
Măsurat și estimat: Măsurat înseamnă că există două citiri ale unei surse și diferența este reală. Estimat înseamnă că se știe doar totalul de azi, iar trecutul este împărțit pe durata vieții modelului; site-ul spune care dintre ele este afișat.
Seeder: Cineva care păstrează o copie a greutăților online pentru ca alții să le descarce prin torrent, sau o oglindă găzduită care face același lucru. Fiecare contează ca 1.000 de descărcări.
AI Horde: O rețea de voluntari care generează imagini gratuit pe calculatoare donate. Numărul de imagini create cu un model este public și fiecare contează ca o descărcare.
Site-uri de generare: Site-uri care găzduiesc propriile copii ale unui model și permit oamenilor să genereze cu el, cum ar fi PixAI, SeaArt și Yodayo. Descărcările lor contează ca cele de pe Civitai, iar fiecare rulare de generare ca o descărcare.
Tokeni OpenRouter: Un model de text servit printr-un API, cum ar fi Claude sau GPT, nu are greutăți de descărcat, deci utilizarea sa se măsoară în tokeni: bucățile de text citite și scrise prin OpenRouter, un gateway folosit de multe aplicații, în ultimele 30 de zile. Fiecare 10,000,000 tokeni contează ca un download. Sursa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model complet (checkpoint): Greutățile în sine, fișierul care generează singur. Primește un bonus pentru că depind de el add-on-urile.
LoRA și embedding: Fișiere mici add-on care direcționează greutățile altcuiva spre un stil, un personaj sau un concept. Nu pot rula singure.
Familie și greutăți: Baza pe care este construit un model, cum ar fi SD 1.5, SDXL, Flux sau Wan. Fiecare model moștenește data lansării greutăților familiei sale.
Vârstă: Grade scăzute în funcție de cât timp a trecut de când au apărut greutățile familiei: 150° pe an, până la 750°. Păstrează descărcările vechi care au avut ani să se acumuleze, blocând topul listei.
Boost de familie: Un mic impuls limitat pentru LoRA-urile unei familii pe care site-ul o promovează acum, întotdeauna listat în detaliu.
Scor de rezervă: Un număr stabil sub prag, dat unui model despre care nicio sursă nu raportează încă, ca listele să rămână complete. Nu se clasează niciodată peste un model cu date.
Nou! (perioadă de grație): Un model mai nou de 7 zile afișează Nou! în loc de scor și nu ocupă loc în clasamente. Scorul său este calculat de la prima zi, dar un model de o zi crește mai rapid decât orice altceva, deci fără această așteptare, modelul #1 al săptămânii ar fi întotdeauna cel apărut ieri, nu cel care a rezistat o săptămână.
Tendință: Cum se compară creșterea unui model într-o perioadă cu creșterea tipică a unui model în aceeași perioadă. Mai rapid decât tipicul înseamnă creștere, mai lent scădere.
Model tipic: Mijlocul catalogului: jumătate dintre modele cu o cifră au crescut mai repede în perioada respectivă, jumătate mai încet.

Modele similare

Hy4 preview

TEXT / LLM

Gemini 3.1 Flash Lite

Modele AI pentru generare de imagini, video și text

Schematron V2 Small este un model de text pentru familia Text / LLM, listat pe ModelTrends.ai, un catalog doar pentru citire al modelelor AI open source pentru imagini, video și text. Compară-l cu alte modele Text / LLM și verifică-i scorul de căldură pentru a vedea cât este de popular.

Mai multe modele Text / LLM llm inference-net extracție date local buget rapid

Răsfoiește după familia de modele