企业官网建设流程全解析

fast-decisions 是一套面向 GLiNER2.5-Decide 的 17 域运营级文本分类数据集，本指南将带你用多语言模型 GLiNER2.5-multi-Decide 处理非英文文本：从加载数据、读懂 schema，到跑通推理与评估，新手也能照着一步步落地。

你将学到：

• ⚡ fast-decisions 的 17 个业务域与统一数据结构
• 🌍 如何用 GLiNER2.5-multi-Decide 对非英文文本做"一次调用、多个决策"
• ✅ 单标签 / 多标签头的差异与 4 个常见坑
• 📊 多语言模型在官方基准中的真实成绩

一、fast-decisions 是什么？17 个域一次看懂

fast-decisions（仓库名fastino/fast-decisions）是 GLiNER2.5-Decide 分类体系背后的"题库"：17 个业务域，每个域一个 JSONL 文件，每域 100 条开发集样例，共 1,700 行。每行 = 一段文本 + 产品需要做出的决策（任务名、候选标签集、金标签）。

注意官方提醒：测试集（每域 300 条）是保密留出的，不要用本仓库文件算出的分数当作基准成绩（详见 README.md 的 Benchmark 一节）。

它不是"推理考试"，而是运营决策：客服与银行意图、旅行/诊所请求、评论情感、文档类型、邮件工单路由、转人工，以及有序档（0–5 / 0–10）和是否型（yes/no）判断。

二、一行数据里藏着什么：Schema 速览

所有 17 个文件共用同一结构（完整说明见 README.md 的 Schema 一节）：

{ "input": "<自由文本>", "output": { "classifications": [ { "task": "head 名称", "true_label": ["金标签"], "labels": ["完整候选标签集"], "multi_label": false } ] } }

以 email_triage.jsonl 为例，一封邮件一次产出4 个决策：category（什么邮件）、action（怎么处理）、needs_reply（是否要回复）、is_phishing（是否是钓鱼）。

四个关键约定，直接决定你用对还是用错：

1. true_label永远是字符串列表，即使是单标签头；
2. labels是该头的完整候选集——推理时原样传给模型，不要剔除金标签；
3. 只做分类，没有实体字段；
4. 有序头（0–5、0–10）用的是字符串数字，不是整数。

三、如何加载 fast-decisions 数据集（最短路径）

每个域对应一个 config 名，用 Hugging Facedatasets库即可加载（仓库为 Apache 2.0 许可）：

from datasets import load_dataset # 单个域：config 名即域名 ds = load_dataset("fastino/fast-decisions", "support_intent", split="train")

想一次拿全 17 个域，把 17 个 config 名依次load_dataset后concatenate_datasets拼接即可（示例见 README.md 的 Loading 一节）。

四、用 GLiNER2.5-multi-Decide 处理非英文文本

这是本文的核心。GLiNER2.5 家族提供两个决策模型，接口完全一致，只换模型名：

推理时把labels原样作为候选集传入，一次调用可同时返回多个头的决策：

from gliner2 import AutoExtractor model = AutoExtractor.from_pretrained("fastino/GLiNER2.5-multi-Decide") pred = model.classify_text(row["input"], {head["task"]: head["labels"]})

返回值规则（评估时两边都按集合比较，做精确匹配）：

• 单标签头→ 返回一个字符串
• 多标签头（如genres、aspects、product_area）→ 返回一个列表

4 个容易踩的坑

1. 候选集要"整盘端上"：labels是完整候选集，擅自裁剪会让模型选不到正确标签；
2. 多标签别只取第一个：例如 screen_tags.jsonl 的genres金标签可能是kids, drama两个，漏一个就算错；
3. 有序头别转 int：0–5 / 0–10 档位是字符串，比较前先统一类型；
4. 别拿开发集打分交作业：本仓库 1,700 行是开发集，官方基准在保密测试集上测得，分数不可直接对标。

五、基准成绩：多语言模型有多强？

官方在保密测试集（每域 300 条）上做精确匹配平均准确率，所有模型同文本、同候选标签（数据来自 README.md 的 Benchmark 表）：

怎么读这张表？GLiNER2.5-multi-Decide 在英文测试集上比纯英文模型低 3.5 个百分点，但换来的是覆盖多语言能力——对非英文业务而言，它是这套 17 域题库里唯一能开箱即用的选项。

六、从数据到线上决策：4 步上手清单

1. 挑域：从 17 个.jsonl里选一个与你业务最接近的（客服选support_intent，邮件选email_triage）；
2. 取候选集：直接用每行的labels作为该头的完整候选，勿改勿删；
3. 选模型：文本是英文用 GLiNER2.5-Decide；非英文文本用 GLiNER2.5-multi-Decide，加载方式相同；
4. 算分：单标签比字符串、多标签比集合，与true_label精确匹配，汇总到 17 个域得到平均分。

七、总结

• fast-decisions = 17 域 × 100 条的开发集（共 1,700 行），schema 统一：input+output.classifications；
• labels是完整候选集，原样传给模型；有序头用字符串数字；
• 处理非英文文本只需把模型换成GLiNER2.5-multi-Decide，其余流程一字不改；
• 官方基准（保密测试集）上，多语言模型平均 56.7%，位居第四，是轻量多语言决策场景的务实之选。

照着本文的 4 步清单，你可以把任意业务文本接入这套 schema 驱动的决策流程。更多域的样例与金标签，直接翻仓库里 17 个 JSONL 文件 即可。