Tôi có thể chạy Schematron V2 Small cục bộ không?

Có — trọng số mở và được lưu trữ trên Hugging Face tại inference-net/schematron-v2-llama-3.2-3b, bạn có thể tải về và chạy tại chỗ.

Chi phí và cửa sổ ngữ cảnh của nó là bao nhiêu?

Qua Inference.net, API có giá $0,05 cho mỗi triệu token đầu vào và $0,23 cho mỗi triệu token đầu ra, với cửa sổ ngữ cảnh 128.000 token.

Làm sao để tôi đưa hướng dẫn trích xuất?

Bạn không dùng prompt hệ thống hay người dùng để hướng dẫn — mô hình mong đợi một schema JSON được cung cấp qua tham số response_format, và schema đó xác định những gì nó trích xuất.

Schematron V2 Small

3712°

#llm #inference-net #trích xuất dữ liệu #cục bộ #ngân sách #nhanh

Chạy mô hình này

Ưu đãi / Quảng cáo

OpenRouter Terminal / API

Trả theo token

Trò chuyện với mô hình này trên trình duyệt hoặc gọi nó từ mã của bạn với một khóa API.

Inference.net | ngữ cảnh 128,000 token | $0.05/M đầu vào, $0.23/M đầu ra. Schematron V2 Small là mô hình trích xuất HTML-to-JSON 3 tỷ tham số từ Inference.net. Nó ưu tiên chất lượng trích xuất cho các sơ đồ phức tạp và trang dài. Hướng dẫn trích xuất phải được cung cấp thông qua một schema JSON trong response_format thay vì qua prompt hệ thống hoặc người dùng.

Hướng dẫn cho mô hình này

Ollama vs LM Studio (2026): nên dùng ứng dụng AI cục bộ nào, và mỗi ứng dụng chạy những mô hình hàng đầu nào

Tệp GGUF là gì? Giải thích về các mô hình lượng tử hóa (Q4, Q8, fp8, NF4)

Tất cả hướng dẫn

Ghi chú của thuyền trưởng

Viết bởi Captain, biên tập viên chính

Ghi chú từ 2026-10-13

Schematron V2 Small là mô hình 3 tỷ tham số từ Inference.net được xây dựng cho một nhiệm vụ duy nhất: trích xuất dữ liệu có cấu trúc từ HTML và trả về dưới dạng JSON. Với 3 tỷ tham số, nó giữ được sự gọn nhẹ và chi phí thấp, trong khi thế hệ V2 nhắm tới chất lượng trích xuất trên các schema phức tạp và trang dài. Nếu bạn đang thu thập, phân tích hoặc chuyển nội dung web vào quy trình, đây là công cụ được thiết kế riêng cho công việc đó.

Nổi tiếng với

Trích xuất HTML sang JSON có cấu trúc là trọng tâm duy nhất
Xử lý các schema phức tạp và trang HTML dài mà không giảm chất lượng
Cửa sổ ngữ cảnh 128.000 token phù hợp với hầu hết các trang thực tế
Trọng số mở có sẵn trên Hugging Face để triển khai cục bộ
Chi phí API rất thấp: chỉ vài phần trăm cent cho mỗi trang ở kích thước điển hình

Cẩn thận với

Hướng dẫn phải qua schema JSON trong response_format — không dùng prompt hệ thống hay người dùng để điều khiển mô hình.
Chuyên gia hẹp: chỉ làm tốt một việc và không phải trợ lý đa năng.
Điều khoản cấp phép không được nhà sản xuất công bố; hãy kiểm tra kho lưu trữ Hugging Face trước khi dùng thương mại.

Phù hợp nhất cho

Lời nhắc để thử

Trích xuất dữ liệu sản phẩm

Dán HTML thô của một trang sản phẩm thương mại điện tử bên dưới. Dùng response_format với schema JSON bao gồm: tên sản phẩm, giá, đơn vị tiền tệ, trạng thái sẵn có, các tính năng dạng danh sách, và URL hình ảnh đầu tiên. Chỉ trả về đối tượng JSON, không bình luận.

Phân tích bài báo tin tức

Dưới đây là HTML đầy đủ của một bài báo tin tức. Dùng response_format với schema trích xuất: tiêu đề, tên tác giả, ngày xuất bản theo chuẩn ISO 8601, nội dung bài viết dưới dạng chuỗi đơn, và tất cả các liên kết trong bài dưới dạng mảng đối tượng gồm văn bản liên kết và href.

Thu thập dữ liệu tin tuyển dụng

Dưới đây là HTML của trang đăng tuyển dụng. Dùng response_format với schema bao gồm: tiêu đề công việc, tên công ty, địa điểm, khoảng lương nếu có, loại hình việc làm, kỹ năng yêu cầu dưới dạng mảng, và mô tả công việc đầy đủ dưới dạng văn bản thuần đã loại bỏ thẻ HTML.

So sánh với

Schematron V2 Turbo
Mô hình mở trọng số
ngữ cảnh 128,000 token · Đầu vào $0.03/M, đầu ra $0.15/M
Gemini 3.1 Flash Lite
Mô hình chỉ API
ngữ cảnh 1,048,576 token · Đầu vào $0.25/M, đầu ra $1.50/M
GPT-5.4 Nano
Mô hình chỉ API
ngữ cảnh 400,000 token · Đầu vào $0.20/M, đầu ra $1.25/M
GPT-5.6 Luna
Mô hình chỉ API
ngữ cảnh 1,050,000 token · Đầu vào $0.20/M, đầu ra $1.20/M

Thêm mô hình văn bản từ inference-net

Câu hỏi thường gặp

Tôi có thể chạy Schematron V2 Small cục bộ không?: Có — trọng số mở và được lưu trữ trên Hugging Face tại inference-net/schematron-v2-llama-3.2-3b, bạn có thể tải về và chạy tại chỗ.
Chi phí và cửa sổ ngữ cảnh của nó là bao nhiêu?: Qua Inference.net, API có giá $0,05 cho mỗi triệu token đầu vào và $0,23 cho mỗi triệu token đầu ra, với cửa sổ ngữ cảnh 128.000 token.
Làm sao để tôi đưa hướng dẫn trích xuất?: Bạn không dùng prompt hệ thống hay người dùng để hướng dẫn — mô hình mong đợi một schema JSON được cung cấp qua tham số response_format, và schema đó xác định những gì nó trích xuất.

Phán quyết của thuyền trưởng
Một công cụ chuyên biệt: nếu quy trình của bạn cần biến HTML thành JSON sạch với chi phí thấp, Schematron V2 Small là lựa chọn xứng đáng; hỏi nó việc khác bạn sẽ thất vọng.

Thẻ mô hình trên Hugging Face

Thuyền trưởng viết những ghi chú này dựa trên mô tả và thẻ mô hình của mô hình. Giá cả và kích thước ngữ cảnh là của nhà cung cấp tại thời điểm viết và có thể thay đổi.

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

Điểm số này được tính như thế nào

Mô hình này chưa có dữ liệu phổ biến từ bất kỳ nguồn nào, nên nó mang một số thay thế dưới 7,000° để giữ cho danh sách đầy đủ. Nó không bao giờ xếp trên một mô hình có dữ liệu. Phân tích chi tiết sẽ xuất hiện ở đây ngay khi có nguồn báo cáo.

Thuật ngữ: các từ dùng ở đây

Điểm nhiệt: Một số duy nhất cho biết mô hình được dùng và mong muốn thế nào hiện tại, từ 0° đến 9.999°. Mọi danh sách trên trang này nói về độ hot đều sắp xếp theo nó và không theo gì khác.
Sàn điểm: 7.000° là điểm bắt đầu cho mọi mô hình có dữ liệu thật. Thang điểm chạy từ 0° đến 9.999°; phần dưới sàn dành cho mô hình thay thế (mô hình không có dữ liệu), để mô hình có dữ liệu luôn xếp trên mô hình không có. Sàn điểm giống nhau cho tất cả và không quyết định gì; điểm trên sàn mới là thước đo.
Tương đương lượt tải: Tất cả những gì điểm số coi là lượt tải, cộng lại: lượt tải thật, mỗi người chia sẻ torrent tính 1.000, mỗi ảnh AI Horde và mỗi lượt chạy trên trang tạo ảnh tính một.
Thang log: Đếm theo chục, không phải theo đơn vị: từ 1.000 lên 10.000 lượt tải thêm cùng số điểm như từ 10.000 lên 100.000. Giúp tránh việc các mô hình lớn lấn át hết mọi thứ khác.
Lượt thích: Giơ ngón tay cái và lượt thích từ mọi nguồn, mỗi lượt bằng một nửa lượt tải trên thang log.
Tỷ lệ áp dụng: Bao nhiêu lượt tải mỗi ngày mà mô hình nhận được hiện tại, tính từ chênh lệch giữa hai lần đọc nguồn. Bằng một phần tư trọng số của lượt tải.
Đã đo và ước tính: Đã đo nghĩa là có hai lần đọc từ một nguồn và sự khác biệt là thật. Ước tính nghĩa là chỉ biết tổng số hôm nay và quá khứ được phân bổ trong suốt thời gian tồn tại của mô hình; trang web sẽ nói rõ đang hiển thị loại nào.
Seeder: Người giữ bản sao trọng số trực tuyến để người khác tải qua torrent, hoặc một bản sao lưu trữ làm điều tương tự. Mỗi người được tính là 1.000 lượt tải.
AI Horde: Một mạng lưới tình nguyện tạo ảnh miễn phí trên máy tính được hiến tặng. Số ảnh nó đã tạo với một mô hình được công khai, và mỗi ảnh được tính là một lượt tải.
Trang tạo ảnh: Các trang lưu trữ bản sao mô hình riêng và cho phép người dùng tạo ảnh, như PixAI, SeaArt và Yodayo. Lượt tải của họ được tính giống như Civitai và mỗi lần tạo ảnh được tính là một lượt tải.
Token OpenRouter: Mô hình văn bản phục vụ qua API, như Claude hoặc GPT, không có trọng số để tải xuống, nên sử dụng token để đo lường: các đoạn văn bản nó đọc và viết qua OpenRouter, một cổng kết nối nhiều ứng dụng sử dụng, trong 30 ngày qua. Mỗi 10,000,000 token tính là một lượt tải. Nguồn: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Mô hình đầy đủ (checkpoint): Chính là trọng số, file tự tạo ảnh. Nó được cộng thêm điểm vì các add-on phụ thuộc vào nó.
LoRA và embedding: Các file add-on nhỏ giúp điều chỉnh trọng số của người khác theo phong cách, nhân vật hoặc ý tưởng. Chúng không thể chạy riêng.
Gia đình và trọng số: Nền tảng mà mô hình xây dựng trên đó, như SD 1.5, SDXL, Flux hoặc Wan. Mỗi mô hình kế thừa ngày phát hành của trọng số gia đình nó.
Tuổi: Điểm trừ dựa trên thời gian trọng số gia đình được phát hành: 150° mỗi năm, tối đa 750°. Nó giữ lại lượt tải cũ đã tích tụ nhiều năm bằng cách đóng băng đầu danh sách.
Tăng gia đình: Một đẩy nhỏ có giới hạn cho LoRA của một gia đình mà trang này đang ưu tiên, luôn được liệt kê trong phần phân tích.
Điểm thay thế: Một số ổn định dưới mức tối thiểu dành cho mô hình chưa có báo cáo nguồn, để danh sách luôn đầy đủ. Nó không bao giờ xếp trên mô hình có dữ liệu.
Mới! (giai đoạn thử nghiệm): Mô hình dưới 7 ngày tuổi hiển thị Mới! thay vì điểm số và không được xếp hạng. Điểm số được tính từ ngày đầu tiên, nhưng mô hình mới một ngày tăng trưởng nhanh nhất, nên nếu không chờ đợi thì #1 tuần này sẽ luôn là mô hình mới ra hôm qua thay vì mô hình giữ vững trong tuần.
Xu hướng: Tốc độ tăng trưởng của mô hình trong một khoảng thời gian so với tốc độ tăng trưởng trung bình của mô hình khác trong cùng khoảng thời gian. Nhanh hơn trung bình là tăng, chậm hơn là giảm.
Mô hình điển hình: Giữa danh mục: một nửa mô hình có số liệu tăng nhanh hơn trong khoảng thời gian, một nửa tăng chậm hơn.

Mô hình tương tự

Meta Llama 3 8B Instruct

TEXT / LLM

Gemini 3.1 Flash Lite

Mô hình AI để tạo hình ảnh, video & văn bản

Schematron V2 Small là một mô hình văn bản thuộc họ Text / LLM được liệt kê trên ModelTrends.ai, danh mục chỉ đọc về các mô hình AI hình ảnh, video và văn bản mã nguồn mở. So sánh nó với các mô hình Text / LLM khác và xem điểm độ hot để biết xu hướng.

Thêm mô hình Text / LLM Thêm Văn bản / LLM Text / LLM llm inference-net trích xuất dữ liệu cục bộ ngân sách nhanh

Duyệt theo họ mô hình