Slava Dubrov Edge of Context
Zoeken

Beste NER-modellen in 2026: spaCy, GLiNER, Transformers, LLMs

Viacheslav Dubrov

· Bijgewerkt · 5 min · Zoek- en taalsystemen

Automatische vertaling Dit artikel is automatisch vertaald vanuit de oorspronkelijke Engelse versie.

Named entity recognition (NER) vindt en labelt tekstspans, zoals personen, bedrijven en productcodes. Deze pagina is bedoeld voor engineers die een extractiestrategie kiezen voor een workload in productie. De pagina biedt een startpunt dat je kunt testen met je schema, documenten en operationele randvoorwaarden.

Gebruik spaCy voor stabiele labels en snelle pipelines. Kies GLiNER wanneer labels vaak veranderen, een bi-encoder wanneer een grote labelinventaris hergebruik van gecachete embeddings mogelijk maakt, of een fine-tuned Transformer token classifier wanneer je gelabelde voorbeelden hebt. Gebruik LLM-gebaseerde structured extraction wanneer je een complex record nodig hebt in plaats van een eenvoudige lijst met spans.

Laatst beoordeeld: 2026-08-17. Selectiecriteria: labelstabiliteit, labelinventaris, span versus record als output, taal, supervised data, latency, normalisatie en reviewkosten.

Beslissingstabel

BehoefteBeste startpuntWaarom
Snelle NER met bekende labelsspaCyVolwassen pipelines, goede ergonomie, snelle CPU-deployment en integratie van rules.
Nieuwe labels zonder volledige trainingGLiNERLabel-conditioned extractie werkt goed wanneer de labelset verandert. Begin met duidelijke typebeschrijvingen, niet met kale namen.
Grote, herbruikbare labelinventarisGLiNER bi-encoderKan label embeddings vooraf berekenen en cachen in plaats van labels voor elk document opnieuw te encoden.
Entiteiten plus relaties in één passGLiNER-Relex kandidaatExtraheert entity- en relation types gezamenlijk. Benchmark dit tegen afzonderlijke stages op het beoogde relation schema.
Entiteiten plus documentvelden of classificatieGLiNER2De schema-interface combineert entity recognition, classificatie en structured extraction-taken.
Geneste of overlappende entiteitenDecoder met ondersteuning voor nesting, waaronder GLiNER met flat_ner=FalseFlat decoding onderdrukt overlaps. Test nested spans op annotaties met de overlapspatronen die je verwacht.
Meertalige of multi-script-extractieGLiNER-X of XLM-R-baselineGeen enkel model is het beste voor elke taal. Test elke doeltaal en de formulering van de typebeschrijvingen.
Stabiele domeinlabels met representatieve gelabelde spansFine-tuned token classifier of spaCy-pipelineStel een supervised baseline op en vergelijk daarna exact-span F1, latency en kosten op je domeinset.
Impliciete, sentence-overstijgende of structured fieldsLLM of hybride kandidaatStructured outputs beperken de vorm van de response, niet de correctheid van de extractie. Valideer de field accuracy op een domeintestset.
PII in workflows met hoge inzet of regelgevingPresidio plus GLiNER2-PII kandidaatCombineer modeloutput met deterministische checks, redaction controls en review.

Toolklassen

KlasseSterk puntZwakteGeschikt voor
spaCy NERSnel, productievriendelijk, rule-awareHeeft training of rules nodig voor custom labelsBekende labels in systemen met hoge throughput.
GLiNERFlexibele labels tijdens inferenceKwaliteit hangt af van labelformulering en domain mismatchSnelle ontology-iteratie en long-tail-labels.
GLiNER bi-encoderGecachete label embeddings schalen grote ontologieënVoordelen hangen af van labelhergebruik en workloadvormHergebruikte inventarissen van tientallen tot duizenden labels.
GLiNER2Multi-task schema-extractieElke taak en het gecombineerde schema moeten nog worden geëvalueerdEntiteiten, classificatie en structured fields.
GLiNER-RelexGezamenlijke entity- en relation-extractieNieuwer model dat task-specifieke vergelijking vereistExpliciete entity-relation-schema’s.
Transformer token classifierSterke supervised accuracyVereist gelabelde spans en retrainingStabiele domeinextractie met voldoende data.
LLM-extractieFlexibiliteit van schema en reasoningHogere latency, kosten en nondeterminismeComplexe records, impliciete waarden en workflows met lage volumes.
Rules en dictionariesDeterministisch matchinggedragBroze recallCompliance, ID’s, productcodes en post-filters.

Zo kies je

Begin met het entity schema, niet met het model.

Als labels stabiel zijn en representatieve voorbeelden beschikbaar zijn, fine-tune dan een token classifier. Vergelijk het model op een held-out domeinset. Het voorspelt tokenlabels zonder autoregressieve generatie. Latency en kosten hangen nog steeds af van het model, de hardware, batchgrootte en serving stack.

Als labels wekelijks veranderen, gebruik dan GLiNER of een LLM-extractor terwijl de ontologie stabiliseert. Schrijf voor elk ambigu label een korte typebeschrijving. Recent hard zero-shot NER-onderzoek laat zien dat beschrijvingen de generalisatie verbeteren en voorkomen dat label leakage wordt aangezien voor zero-shot-capaciteit. Het doel is eerst vast te stellen hoe het schema eruit moet zien voordat je annotation budget besteedt.

Als je een grote labelinventaris hergebruikt, evalueer dan een bi-encoder voordat je een joint label-text encoder gebruikt. Het GLiNER bi-encoder-paper rapporteert 61,5 micro-F1 op CrossNER. Het rapporteert ook tot 130 keer hogere throughput bij 1.024 labels met vooraf berekende embeddings onder de H100-testomstandigheden. Deze resultaten laten schaalgedrag zien. Ze zijn geen schatting voor een andere production workload.

Als documenten meerdere talen bevatten, benchmark dan elke doeltaal en elk script. OpenNER 1.0 vond geen enkel model dat het beste presteerde op de volledige collectie van 52 talen. Test zowel Engelse als gelokaliseerde typebeschrijvingen, omdat de labeltekst onderdeel is van de modelinput.

Als de output een structured record in plaats van spans is, gebruik dan een LLM met structured outputs of een hybride pipeline. LangExtract is nuttig wanneer elke extractie aan de bronlocatie moet kunnen worden gekoppeld. NuExtract is een self-hosted optie voor multimodale documentextractie. Beide vereisen nog steeds evaluatie op field-niveau met de beoogde documenten.

Veel business-extractietaken zijn geen pure NER. “Vind de partijen, verplichtingen, ingangsdatum, beëindigingsclausule en toepasselijk recht” is document understanding met entity fields.

Gebruik voor PII een PII-framework zoals Presidio als integration- en redaction layer. Behandel GLiNER2-PII als een modelkandidaat, niet als een compliancebeslissing. Meet recall op de gevoelige formats, talen en documenten die het systeem zal verwerken.

Production pipeline

Een production extraction pipeline voegt vaak stages rond het model toe:

  1. Candidate extraction: spaCy, GLiNER, Transformer-model, LLM, rules of een combinatie.
  2. Optionele normalisatie of entity linking: koppel spans aan canonieke ID’s, productcodes, users, bedrijven of ontology entries.
  3. Validatie en review: wijs onmogelijke labels af, dwing schema-constraints af, dedupliceer spans en stuur onzekere gevallen naar review.

Normalisatie zet geëxtraheerde tekst om in bruikbare productdata. Het vinden van de span “Apple” is slechts de eerste stap. Het systeem moet nog bepalen of dit het bedrijf, de vrucht, een productfamilie of een stock ticker betekent en dit vervolgens koppelen aan een stabiele ID.

Evaluatiechecklist

Meet meer dan entity-level F1:

  • exact span F1
  • relaxed span F1
  • label confusion matrix
  • verwerking van nested entities
  • accuracy van entity normalization
  • gevoeligheid voor typebeschrijvingen en labeltaal
  • slices voor taal, script en documentformaat
  • false positives per label
  • confidence calibration
  • latency en kosten per document
  • human correction rate

Houd de testset gescheiden van schema-ontwerp en threshold tuning. Rapporteer het aantal documenten en entity mentions per label. Gebruik confidence intervals op documentniveau wanneer herhaalde mentions in één document anders de zekerheid zouden overschatten.

Verder lezen

Referenties