【免费下载链接】fast-decisions项目地址https://ai.gitcode.com/hf_mirrors/fastino/fast-decisions点击查看免费下载fast-decisions是 Fastino 官方为GLiNER2.5-Decide智能分类模型发布的一套决策数据套件17 个真实业务领域、每个领域 100 条样本、共 1,700 行每行都是一段文档 产品必须做出的决策。对于想在客服路由、邮件分诊、意图识别等场景落地智能分类的工程师来说它是最贴合生产场景的训练与评测起点。一、先搞懂什么是决策数据套件传统文本分类数据集只告诉你这段文本属于哪个类别而 fast-decisions 模拟的是线上产品真正要做的判断 输入是一段自由文本邮件、工单、评论、病历、新闻……️ 输出包含任务名task、完整候选标签集labels、金标签true_label 一行数据可以携带多个分类头head一次调用同时完成多个决策它明确不是通用考试没有推理链、没有开放式答案只有运营级决策——客户与银行意图、邮件分诊、工单路由、人工接管、以及打分/是否类关卡。这个定位正是它区别于通用分类数据集的核心价值拿它训练或评测的模型出来的就是能直接接业务逻辑的结果。二、套件里有什么17 个真实业务领域一览数据仓库结构非常直观README.md 说明文档 17 个 JSONL 文件每个文件对应一个领域、各 100 行分组领域文件典型决策头 商务客服support_intent.jsonl、support_topic.jsonl、ticket_route.jsonl、product_feedback.jsonl意图、主题、队列/紧急度/是否含PII、反馈类型 办公email_triage.jsonl分类、行动、是否需回复、是否钓鱼4 个头 金融banking_intent.jsonl银行业务意图 健康clinic_request.jsonl就诊请求、是否紧急✈️ 出行travel_request.jsonl差旅意图 档案document_type.jsonl文档类型识别⭐ 点评review_sentiment.jsonl、restaurant_review.jsonl情感 多标签方面 内容news_topic.jsonl、paper_field.jsonl、sports_recap.jsonl、screen_tags.jsonl新闻栏目、论文领域、赛事、影剧标签 助手/政务agent_handoff.jsonl、benefits_request.jsonl是否转人工、福利项目查询几个值得一提的设计亮点多标签头如 product_feedback.jsonl 的product_area、restaurant_review.jsonl 的aspects、screen_tags.jsonl 的genres一条样本可同时命中多个方面多决策头email_triage.jsonl 一封邮件要打 4 个标签分类、行动、是否需回复、是否钓鱼有序/是否型头紧急度low → critical、yes/no关卡适合做前置门控文中人名、账号、金额均为虚构数据Apache 2.0 许可可自由商用三、数据结构一行数据的决策三要素每行 JSONL 的形状高度统一详见 README.md{ input: 自由文本, output: { classifications: [ { task: 类别名, true_label: [金标签], labels: [完整候选标签集], multi_label: false } ] } }新手使用时记住 3 条铁律true_label永远是字符串列表即使是单标签头labels是该头的完整候选集——推理时原样传给模型不要把金标签从中剔除有序头0–5、0–10使用字符串数字而非整数比对时注意类型以 email_triage.jsonl 为例一封关于改期季度评审的邮件会同时产出 4 个金标签category → calendar、action → escalate、needs_reply → yes、is_phishing → no——这正是产品侧分诊引擎需要的全部信息。四、基准成绩GLiNER2.5-Decide 决策评测表现⚠️ 先说一个重要的评测约定仓库发布的是开发集100 条/领域测试集300 条/领域是保留的。所以不要在仓库文件上算分并对外宣称基准成绩。官方在保留测试集上以精确匹配方式评测GLiNER2.5-Decide 的成绩如下模型平均准确率GLiNER2.5-Decide60.2%GLiNER2 XL (1B)59.6%JevK557.6%GLiNER2.5-multi-Decide56.7%SemIf (Qwen3.5-4B)56.4%GLiFormer large-v149.0%Laya Router46.6%可以看到针对决策场景专门微调的 GLiNER2.5-Decide 领先通用抽取模型说明决策套件 专项微调这条路线是有效的。非英文文本可换用多语言版GLiNER2.5-multi-Decide按同样方式评测。五、快速上手三步开始使用 fast-decisions第 1 步获取数据git clone https://gitcode.com/hf_mirrors/fastino/fast-decisions克隆后直接用任意 JSON 解析工具打开 support_intent.jsonl 等文件即可查看原始数据。第 2 步用 HuggingFace datasets 加载加载单个领域from datasets import load_dataset ds load_dataset(fastino/fast-decisions, support_intent, splittrain)第 3 步调用 GLiNER2.5-Decide 评测from gliner2 import AutoExtractor model AutoExtractor.from_pretrained(fastino/GLiNER2.5-Decide) pred model.classify_text(row[input], {head[task]: head[labels]})单标签头返回字符串、多标签头返回列表统一转成集合做精确匹配即可。完整 17 领域加载与评测脚本见 README.md 的 Loading 章节。六、谁适合选 fast-decisions做客服/工单系统的团队ticket_route直接覆盖队列、紧急度、PII 三重路由决策做智能邮箱/收件箱分诊的产品email_triage的 4 头结构与真实分诊引擎一一对应金融、医疗、政务领域银行意图、就诊请求、福利查询都有现成领域需要决策基准来对比模型保留测试集 官方成绩表方便公平横评⚡想快速微调 GLiNER2.5schema 驱动格式即微调输入格式无需二次改造数据七、总结一句话总结 fast-decisions 的选型理由它把智能分类从学术标签拉回到了业务决策——17 个领域、多决策头、完整候选标签集、保留测试集加官方基准成绩构成了从训练到评测的闭环。如果你要构建的是能直接接管线上流量判断的分类模型这套决策数据套件是目前最省心的起点。 延伸阅读数据 schema 规范与各头完整标签清单见 README.md引用信息BibTeX见 README.md。赞分享【免费下载链接】fast-decisions项目地址https://ai.gitcode.com/hf_mirrors/fastino/fast-decisions点击查看免费下载相关推荐标签即输入拆解 GLiNER2.5-Decide 的 Schema 驱动分类为什么它不需要固定输出层标签即输入拆解 GLiNER2.5 Decide 的 Schema 驱动分类为什么它不需要固定输出层 传统文本分类模型的命运从诞生那一刻起就被输出层写死了人工智能大模型NLPTiXL 图像生成基础算子库 Lib.image.generate.basic 完全指南Blob、渐变、多边形与渲染目标实战TiXL 图像生成基础算子库 Lib.image.generate.basic 完全指南Blob、渐变、多边形与渲染目标实战 导读 本文以 TiXL 开源实时不常驻、不加壳、不混淆流氓软件克星的9条安全边界为什么不做什么比做什么更重要不常驻、不加壳、不混淆流氓软件克星的9条安全边界为什么不做什么比做什么更重要 流氓软件克星RogueCleaner是一款专门清理 Windows创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考