Maaari ko bang patakbuhin ang Schematron V2 Small nang lokal?

Oo — bukas ang weights at naka-host sa Hugging Face sa ilalim ng inference-net/schematron-v2-llama-3.2-3b, kaya maaari mo itong i-download at patakbuhin nang sarili mo.

Magkano ang presyo at gaano kalaki ang context nito?

Sa Inference.net, ang API ay may presyo na $0.05 kada milyon na input tokens at $0.23 kada milyon na output tokens, na may 128,000-token na context window.

Paano ko ibibigay ang mga instruksyon sa extraction?

Hindi mo ginagamit ang system o user prompts para sa mga instruksyon — inaasahan ng modelo ang JSON schema na ibibigay sa pamamagitan ng response_format parameter, at ang schema na iyon ang nagtatakda kung ano ang kukunin nito.

Schematron V2 Small

3712°

#llm #inference-net #pagkuha ng datos #lokal #badyet #mabilis

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

Inference.net | 128,000 token context | $0.05/M input, $0.23/M output. Ang Schematron V2 Small ay isang 3B-parameter na HTML-to-JSON extraction model mula sa Inference.net. Pinapahalagahan nito ang kalidad ng extraction para sa mga komplikadong schema at mahahabang pahina. Ang mga tagubilin sa extraction ay kailangang ibigay sa pamamagitan ng JSON schema sa response_format sa halip na sa system o user prompts.

Mga gabay para sa model na ito

Ollama vs LM Studio (2026): alin ang local AI app na gagamitin, at alin ang mga top models na pinapatakbo ng bawat isa

Ano ang GGUF file? Ipinaliwanag ang mga quantized na modelo (Q4, Q8, fp8, NF4)

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang Schematron V2 Small ay isang 3-bilyong-parameter na modelo mula sa Inference.net na ginawa para sa isang gawain: pagkuha ng structured data mula sa HTML at pagbabalik nito bilang JSON. Sa 3B parameters, nananatili itong magaan at mura, habang ang V2 generation ay nakatuon sa kalidad ng extraction sa mga kumplikadong schema at mahahabang pahina. Kung ikaw ay nag-scrape, nagpa-parse, o nagpapasa ng web content sa isang pipeline, ito ay espesyal na ginawa para sa trabahong iyon.

Kilalang-kilala sa

Structured HTML-to-JSON extraction bilang tanging pokus
Kaya ang kumplikadong mga schema at mahahabang HTML pages nang hindi bumababa ang kalidad
128,000-token context window na kasya sa karamihan ng mga totoong pahina
Bukas ang weights sa Hugging Face para sa lokal na deployment
Napakababang gastos sa API: bahagi ng sentimo kada pahina sa karaniwang laki

Mag-ingat sa

Dapat dumaan ang mga instruksyon sa JSON schema sa response_format — hindi ginagamit ang system at user prompts para patakbuhin ang modelong ito.
Makitid na espesyalista: isang gawain lang ang mahusay na ginagawa nito at hindi ito general-purpose assistant.
Hindi inilathala ng gumawa ang mga termino ng lisensya; suriin ang Hugging Face repository bago gamitin sa komersyo.

Pinakamainam para sa

Mga prompt na subukan

Kunin ang data ng produkto

I-paste ang raw HTML ng isang e-commerce product page sa ibaba. Gamitin ang response_format na may JSON schema na kumukuha ng: pangalan ng produkto, presyo, pera, status ng availability, bullet-point features bilang array, at ang unang image URL. Ibalik lang ang JSON object, walang paliwanag.

I-parse ang isang news article

Narito ang buong HTML ng isang news article. Gamitin ang response_format na may schema na kumukuha ng: headline, pangalan ng may-akda, petsa ng publikasyon sa ISO 8601, katawan ng teksto bilang isang string, at lahat ng hyperlinks sa katawan bilang array ng mga object na may anchor text at href.

I-scrape ang isang job listing

Narito ang HTML ng isang job posting page. Gamitin ang response_format na may schema na kumukuha ng: job title, pangalan ng kumpanya, lokasyon, salary range kung meron, uri ng empleyo, mga kinakailangang kasanayan bilang array, at buong job description bilang plain text na walang HTML tags.

Ihambing sa

Schematron V2 Turbo
Modelong bukas ang timbang
128,000 token na konteksto · $0.03/M input, $0.15/M output
Gemini 3.1 Flash Lite
Modelong API lang
1,048,576 token na konteksto · $0.25/M input, $1.50/M output
GPT-5.4 Nano
Modelong API lang
400,000 token na konteksto · $0.20/M input, $1.25/M output
GPT-5.6 Luna
Modelong API lang
1,050,000 token na konteksto · $0.20/M input, $1.20/M output

Higit pang mga text model mula sa inference-net

Mga tanong na madalas itanong

Maaari ko bang patakbuhin ang Schematron V2 Small nang lokal?: Oo — bukas ang weights at naka-host sa Hugging Face sa ilalim ng inference-net/schematron-v2-llama-3.2-3b, kaya maaari mo itong i-download at patakbuhin nang sarili mo.
Magkano ang presyo at gaano kalaki ang context nito?: Sa Inference.net, ang API ay may presyo na $0.05 kada milyon na input tokens at $0.23 kada milyon na output tokens, na may 128,000-token na context window.
Paano ko ibibigay ang mga instruksyon sa extraction?: Hindi mo ginagamit ang system o user prompts para sa mga instruksyon — inaasahan ng modelo ang JSON schema na ibibigay sa pamamagitan ng response_format parameter, at ang schema na iyon ang nagtatakda kung ano ang kukunin nito.

Hatol ng Kapitan
Isang surgical na kasangkapan: kung kailangan ng iyong pipeline na gawing malinis na JSON ang HTML nang mababa ang gastos, karapat-dapat ang Schematron V2 Small; kung hihingin mo ito ng iba pang bagay, mabibigo ka.

Model card sa Hugging Face

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

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

Paano nagkakalkula ang score na ito

Walang datos ng kasikatan mula sa kahit anong pinanggalingan ang modelong ito, kaya may stand-in na numero ito sa ibaba ng 7,000° para kumpleto ang mga listahan. Hindi ito kailanman mauuna sa isang modelong may datos. Lalabas dito ang breakdown kapag may nag-ulat na pinanggalingan.

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Mga katulad na model

Fugu Max

TEXT / LLM

Gemini 3.5 Flash Lite

Mga AI model para sa paggawa ng larawan, video at teksto

Ang Schematron V2 Small ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm inference-net pagkuha ng datos lokal badyet mabilis

Mag-browse ayon sa pamilya ng model