В извлечении именованных сущностей есть боль: традиционный подход перебирает все возможные спены и для каждого решает, сущность ли это. Чем длиннее фраза — тем больше кандидатов, тем дороже вычисления. GLiNER2.5 предлагает другой путь — вместо перечисления кандидатов модель предсказывает границы. Две координаты: начало и конец. Всё. Суть в том, что теперь ширина сущности больше не умножает стоимость. Совместное декодирование позволяет одновременно вытаскивать и сущности, и их отношения. Ограниченная классификация не даёт выпрыгнуть за пределы допустимых типов. Контекст — 4096 слов, что для задач NER прилично. Вывод: подход boundary prediction заслуживает внимания, особенно если в ваших данных попадаются длинные сущности. Открытые веса под щедрой лицензией — хороший повод попробовать. Но с оговоркой: без сравнения с конкурентами и без данных по domain-specific задачам это скорее запрос на тестирование, чем готовое решение.