Kan jag köra Schematron V2 Small lokalt?

Ja — vikterna är öppna och finns på Hugging Face under inference-net/schematron-v2-llama-3.2-3b, så du kan ladda ner och köra den själv.

Vad kostar den och hur stort kontextfönster har den?

Via Inference.net kostar API:t $0,05 per miljon inmatningstoken och $0,23 per miljon utmatningstoken, med ett kontextfönster på 128 000 token.

Hur ger jag extraktionsinstruktioner?

Du använder inte system- eller användarpromptar för instruktioner — modellen förväntar sig ett JSON-schema som tillhandahålls via response_format-parametern, och det schemat definierar vad som extraheras.

Schematron V2 Small

3712°

#llm #inference-net #datautvinning #lokal #budget #snabb

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Inference.net | 128,000 token kontext | $0.05/M input, $0.23/M output. Schematron V2 Small är en 3B-parameters HTML-till-JSON-extraktionsmodell från Inference.net. Den prioriterar extraktionskvalitet för komplexa scheman och långa sidor. Extraktionsinstruktioner måste tillhandahållas via ett JSON-schema i response_format istället för genom system- eller användarpromptar.

Guider för denna modell

Ollama vs LM Studio (2026): vilken lokal AI-app du ska använda och vilka toppmodeller varje kör

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Schematron V2 Small är en 3-miljarder-parameters modell från Inference.net byggd för ett enda jobb: att extrahera strukturerad data från HTML och returnera den som JSON. Med 3B parametrar håller den sig slank och billig, medan V2-generationen siktar på hög extraktionskvalitet på komplexa scheman och långa sidor. Om du skrapar, parser eller matar webbinnehåll i en pipeline är denna modell specialbyggd för det arbetet.

Känd för

Strukturerad HTML-till-JSON-extraktion som enda fokus
Hanterar komplexa scheman och långa HTML-sidor utan kvalitetsförsämring
128 000 token kontextfönster som rymmer de flesta verkliga sidor
Öppna vikter tillgängliga på Hugging Face för lokal distribution
Mycket låg API-kostnad: bråkdelar av en cent per sida i typiska storlekar

Se upp för

Instruktioner måste ges via ett JSON-schema i response_format — system- och användar-promptar styr inte modellen.
Snäv specialist: den gör en sak bra och är ingen allmän assistent.
Licensvillkor är inte publicerade av tillverkaren; kontrollera Hugging Face-repositoryt innan kommersiell användning.

Bäst för

Promptar att prova

Extrahera produktdata

Klistra in rå HTML från en e-handelsproduktsida nedan. Använd response_format med ett JSON-schema som fångar: produktnamn, pris, valuta, tillgänglighetsstatus, punktlista med funktioner som en array, och den första bildens URL. Returnera endast JSON-objektet, ingen kommentar.

Parsa en nyhetsartikel

Här är hela HTML-koden för en nyhetsartikel. Använd response_format med ett schema som extraherar: rubrik, författarnamn, publiceringsdatum i ISO 8601, brödtext som en enda sträng, och alla hyperlänkar i brödtexten som en array av objekt med ankartext och href.

Skrapa en platsannons

Nedan är HTML för en platsannonssida. Använd response_format med ett schema som fångar: jobbtitel, företagsnamn, plats, löneintervall om det finns, anställningstyp, nödvändiga färdigheter som en array, och hela jobbannonsens text utan HTML-taggar.

Jämför med

Schematron V2 Turbo
Öppen vikt-modell
128,000 tokens kontext · $0.03/M indata, $0.15/M utdata
Gemini 3.1 Flash Lite
Endast API-modell
1,048,576 tokens kontext · $0.25/M indata, $1.50/M utdata
GPT-5.4 Nano
Endast API-modell
400,000 tokens kontext · $0.20/M indata, $1.25/M utdata
GPT-5.6 Luna
Endast API-modell
1,050,000 tokens kontext · $0.20/M indata, $1.20/M utdata

Fler textmodeller från inference-net

Vanliga frågor

Kan jag köra Schematron V2 Small lokalt?: Ja — vikterna är öppna och finns på Hugging Face under inference-net/schematron-v2-llama-3.2-3b, så du kan ladda ner och köra den själv.
Vad kostar den och hur stort kontextfönster har den?: Via Inference.net kostar API:t $0,05 per miljon inmatningstoken och $0,23 per miljon utmatningstoken, med ett kontextfönster på 128 000 token.
Hur ger jag extraktionsinstruktioner?: Du använder inte system- eller användarpromptar för instruktioner — modellen förväntar sig ett JSON-schema som tillhandahålls via response_format-parametern, och det schemat definierar vad som extraheras.

Kaptens omdöme
Ett kirurgiskt verktyg: om din pipeline behöver förvandla HTML till ren JSON till låg kostnad förtjänar Schematron V2 Small sin plats; fråga den om något annat och du blir besviken.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

Nemotron 3 Nano 30B A3B

TEXT / LLM

Gemini 2.5 Flash

TEXT / LLM

AI-modeller för bild-, video- och textgenerering

Schematron V2 Small är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm inference-net datautvinning lokal budget snabb

Bläddra efter modellfamilj