¿Qué es GLiNER2.5-Decide?
GLiNER2.5-Decide es un modelo de clasificación de Fastino, presentado con 340 millones de parámetros (su archivo de pesos contiene unos 486 millones, según la ficha de Hugging Face), publicado en Hugging Face en septiembre de 2026 bajo Apache 2.0. Se basa en un codificador DeBERTa-v3-large y en la librería GLiNER2 guiada por esquemas. Pasas texto y uno o más conjuntos de etiquetas en la llamada, para intención, enrutado, sentimiento, prioridad, moderación o etiquetas múltiples, y los puntúa todos en una sola pasada.
Hay tres versiones: el modelo en inglés, un modelo multilingüe de 287M y un modelo de 1B. Todos funcionan en CPU o GPU con el paquete de Python gliner2, y Fastino publica una receta de fine-tuning que convierte cada decisión en una fila de entrenamiento JSONL.
No es un modelo System One completo en el sentido de Jev: las preguntas son conjuntos de etiquetas en lugar de objetos tipados de elección, puntuación y sí/no, y las puntuaciones ordinales se entrenan como clases simples. El motor colibri y otras pasarelas lo envuelven tras el formato de petición de Jev.
¿Merece la pena GLiNER2.5-Decide?
GLiNER2.5-Decide es la forma práctica de añadir etiquetas flexibles a un pipeline que no puede permitirse una GPU, siempre que las etiquetas sean operativas. Pasas la lista de etiquetas de esa petición y la respuesta llega en unos cientos de milisegundos en una CPU; colibri midió 294 ms para una pregunta y 897 ms para tres en un procesador de sobremesa, con unos 1,9GB de memoria. Las etiquetas pueden llevar descripciones, se puntúan varias cabezas en una pasada y el fine-tuning solo necesita un archivo JSONL.
El benchmark de la propia Fastino lo pone primero: un 60,2 % de acierto exacto en 17 dominios en inglés de su conjunto de datos de decisiones rápidas, por delante de un modelo JevK5 con un 57,6 % y del router de Laya con un 46,6 %. Su hermano mayor de 1B puntúa algo menos, un 59,6 %, así que hay pocos motivos para pagar por el modelo grande en estas tareas.
El Jev Decision Index 0.4.1 de la comunidad, publicado el 21 de octubre de 2026, cuenta otra historia. Da a GLiNER2.5-Decide una puntuación de habilidad de 10,1, puesto 215 de 229, frente a 60,2 de Jev 1.14 y 68,0 del Decider de 27B de Perplexity. Laya, el otro codificador pequeño de esta clase, queda justo por debajo con 9,2. La batería cubre conocimiento, razonamiento, selección de herramientas y recuperación, para lo que nunca se diseñó un codificador pequeño, pero la diferencia es demasiado grande para llamarlo un modelo de decisión general.
Las escalas ordinales son su trampa sutil. La ficha del modelo dice que puntuaciones como de 0 a 10 se entrenan como clases simples, así que la pérdida no sabe que 6 está más cerca de 7 que de 0, y la propia Fastino aconseja medir esas cabezas con el error absoluto medio además del acierto.
Dónde se gana su sitio
Un equipo de soporte de 40 agentes con un helpdesk propio
Enrutar cada ticket entrante a reembolsos, acceso, envíos o una persona antes de que lo vea un agente
Ejecuta el clasificador en una CPU dentro del servicio de tickets existente y pasa la lista de colas como etiquetas; sin GPU ni factura de API. Haz fine-tuning con unos miles de tickets históricos antes de fiarte de él en casos límite.
Un ingeniero de confianza y seguridad de un foro con un millón de comentarios al día
Poner un filtro de moderación barato delante de un revisor LLM más lento
Puntúa las etiquetas permitido, spam, acoso y datos personales en cada publicación con servidores corrientes, y escala solo las dudosas. El ahorro son las llamadas al LLM evitadas; el riesgo, los fallos en casos sutiles de la política.
Una responsable de operaciones de un grupo de clínicas mediano
Clasificar los correos de pacientes en colas de citas, recetas, resultados y derivaciones
Las etiquetas con descripciones breves mantienen precisa una taxonomía propia. El modelo es solo en inglés, así que la variante multilingüe de 287M es la que hay que evaluar para pacientes que no hablan inglés.
Antes de decidirte
- Puesta en marcha
- pip install gliner2, carga fastino/GLiNER2.5-Decide y llama a classify_text con un diccionario de etiquetas; obtener la primera respuesta lleva minutos en un portátil.
- Integraciones
- Paquete de Python gliner2 en CPU o GPU; el motor en C de colibri y otras pasarelas lo envuelven tras el formato de petición de Jev; Fastino Agent ofrece fine-tuning alojado como producto aparte.
- Datos y privacidad
- Los pesos Apache 2.0 se ejecutan por completo en tu hardware, así que el texto nunca se envía a Fastino salvo que uses su agente de fine-tuning.
- Coste a escala
- Solo autoalojado: unos 1,9GB de memoria por proceso y aproximadamente 0,3 segundos por pregunta en una CPU de sobremesa, así que unos pocos servidores corrientes cubren millones de decisiones al día sin tarifa por llamada.
- Límites
- Solo inglés en este checkpoint; conjuntos de etiquetas en lugar de objetos tipados de elección, puntuación o sí/no; flojo en tareas de conocimiento, razonamiento y selección de herramientas del Decision Index.
Lo bueno
- Menos de 0,5B parámetros; funciona en CPU en menos de 300 ms por pregunta
- Cualquier conjunto de etiquetas en la llamada, con descripciones opcionales
- Varias decisiones puntuadas en una sola pasada
- Apache 2.0, con una variante multilingüe de 287M
Lo malo
- Puntuación de habilidad de 10,1 en el Decision Index 0.4.1, puesto 215 de 229
- La cifra principal del 60,2 % procede de la batería propia de Fastino, solo en inglés
- Etiquetas ordinales entrenadas como clases simples
- Sin razonamiento ni explicaciones, según la propia ficha del modelo
Ideal para
Ingenieros que necesitan enrutado de intenciones, moderación o decisiones de spam baratos y solo con CPU, y pueden hacer fine-tuning con sus propias etiquetas.
Alternativas a GLiNER2.5-Decide
GLiNER2.5-Decide: preguntas frecuentes
- ¿Merece la pena GLiNER2.5-Decide?
- GLiNER2.5-Decide es un clasificador de etiquetas rápido y honesto que rinde bien en las tareas de Fastino y queda muy atrás en las de todos los demás. Le damos un 3.6 sobre 5.
- ¿Cuánto cuesta GLiNER2.5-Decide?
- Pesos y librería gratuitos bajo Apache 2.0. El agente de fine-tuning alojado de Fastino es un producto aparte.
- ¿Qué inconvenientes tiene GLiNER2.5-Decide?
- Puntuación de habilidad de 10,1 en el Decision Index 0.4.1, puesto 215 de 229; la cifra principal del 60,2 % procede de la batería propia de Fastino, solo en inglés; etiquetas ordinales entrenadas como clases simples; sin razonamiento ni explicaciones, según la propia ficha del modelo.
- ¿Para quién es GLiNER2.5-Decide?
- Ingenieros que necesitan enrutado de intenciones, moderación o decisiones de spam baratos y solo con CPU, y pueden hacer fine-tuning con sus propias etiquetas.
- ¿Cuánto cuesta GLiNER2.5-Decide para un equipo o en producción?
- Solo autoalojado: unos 1,9GB de memoria por proceso y aproximadamente 0,3 segundos por pregunta en una CPU de sobremesa, así que unos pocos servidores corrientes cubren millones de decisiones al día sin tarifa por llamada.
- ¿Es GLiNER2.5-Decide seguro para los datos de la empresa?
- Los pesos Apache 2.0 se ejecutan por completo en tu hardware, así que el texto nunca se envía a Fastino salvo que uses su agente de fine-tuning.
- ¿Cuáles son las mejores alternativas a GLiNER2.5-Decide?
- Las alternativas más cercanas que hemos analizado son Laya, Jev, Perplexity Decider (pplx-decider), Clef y d3 (vLLM Semantic Router).
Respuestas comprobadas el 23 oct 2026.