Schemer: de texto livre a JSON estruturado no dispositivo
Extração no dispositivo que transforma texto livre num objeto JSON tipado que corresponde ao seu JSON Schema, sem inventar valores para campos em falta.
O Schemer recebe texto livre e um JSON Schema fornecido pelo programador e devolve um objeto JSON que lhe corresponde, com garantias de tipo em vez de texto gerativo. JSON Schema simples à entrada (compatível com OpenAI e Gemini), JSON tipado à saída. A vantagem é a deteção de ausência: saber quando um campo simplesmente não está no texto, a 0,91 contra 0,18 a 0,43 dos LLMs com prompt, que é exatamente onde os extratores gerativos falham. O modelo é geral; a referência de lançamento é a criação de tarefas.
Demonstração
Desempenho
Com 211M de parâmetros e 111 MB, os únicos modelos mais precisos do que o Schemer são 40 vezes maiores ou mais. Quando o texto não menciona um campo, o Schemer deixa-o vazio em 91% dos casos em vez de inventar um valor, contra 18 a 43% dos LLMs com prompt.
9021 registos reservados em sete fatias de utilização, 13 línguas (interno)
| Modelo | Precisão | Ausência | Parâmetros | Disco |
|---|---|---|---|---|
| Gemma 4 26B A4B | 0,834 | 0,428 | 26,6B | 17,2 GB |
| Claude Haiku 4.5 | 0,816 | 0,431 | n/a | API |
| Qwen 3.5 9B | 0,812 | 0,434 | 9,1B | 9,1 GB |
| Schemer (int8) | 0,800 | 0,911 | 211M | 218 MB |
| Schemer (int4) | 0,793 | 0,908 | 211M | 111 MB |
| Ministral 3 8B | 0,790 | 0,430 | 8,0B | 17,8 GB |
| Gemma 4 E2B | 0,780 | 0,427 | 5,1B | 8,3 GB |
| Qwen 3.5 0.8B | 0,651 | 0,351 | 0,87B | 1,75 GB |
| NuExtract-2.0-2B | 0,643 | 0,393 | 2,2B | 4,4 GB |
| GLiNER2-multi | 0,585 | 0,374 | 307M | 309 MB |
| GLiNER2-base | 0,524 | 0,368 | 205M | 834 MB |
| NuExtract-tiny-v1.5 | 0,334 | 0,222 | 0,5B | 954 MB |
| FunctionGemma 270M | 0,288 | 0,181 | 0,27B | 540 MB |
Avaliação interna em 9021 registos reservados; os concorrentes correm no mesmo conjunto reservado.
Casos de uso
De linguagem natural a entrada de calendário
Transforme «Almoço com a Priya na próxima quinta às 13h, cerca de uma hora» num evento tipado: título, data e hora de início, duração e recorrência. É executado num teclado ou numa app de notas, no dispositivo e offline.
Mensagens em registos estruturados
Transforme uma mensagem de chat, um email ou uma nota digitalizada num lead de CRM, numa encomenda ou numa fatura: nomes, emails, montantes e datas, cada um descodificado para o seu tipo real, com os campos em falta devolvidos como null em vez de adivinhados.
Entrada mais limpa para LLMs no dispositivo
Pré-estruture texto desorganizado em campos tipados e validados antes de chegar a um LLM no dispositivo. Entrada estruturada e limpa, em vez de prosa em bruto, reduz alucinações e o custo em tokens e aumenta a precisão, tudo sem sair do dispositivo.
Agentes e preenchimento de formulários no dispositivo
Entregue a um agente local um JSON Schema e texto livre e receba JSON tipado de volta para desencadear uma ação ou preencher previamente um formulário, sem LLM na nuvem e sem custo por chamada.
Avaliações e feedback em classificações
Converta uma avaliação em texto livre numa classificação por estrelas tipada, num rótulo de sentimento (positivo, misto, negativo) e em indicadores como «voltaria a comprar», prontos a ordenar ou encaminhar sem ler cada um.
Normalizar registos desorganizados
Converta em lote registos em texto livre inconsistentes, notas, logs ou folhas de cálculo exportadas num único schema tipado e limpo, com os campos ausentes assinalados em vez de inventados, no dispositivo.
O que faz
- JSON Schema simples à entrada (compatível com OpenAI e Gemini), JSON tipado à saída.
- Descodifica strings, números, booleanos, datas e horas, rótulos e arrays para os seus tipos reais.
- Deteção explícita de ausência: comunica um campo como em falta em vez de inventar um valor.
- Funciona em 13 línguas a partir de um único modelo, sem configuração por língua.
Especificações
- Parâmetros
- 211M (encoder mmBERT-base podado)
- Precisão
- 0,800 (int8), 0,911 na deteção de ausência
- Tamanho
- 111 MB (int4 AWQ), 218 MB (int8)
- Formatos
- Core ML e ONNX, multiplataforma
FAQ
O que é o Schemer?
Extração no dispositivo que transforma texto livre num objeto JSON tipado que corresponde ao seu JSON Schema, sem inventar valores para campos em falta.
O Schemer é executado no dispositivo?
Sim. O Schemer é executado inteiramente no dispositivo: a inferência acontece localmente, sem qualquer chamada a servidores, por isso os dados nunca saem do dispositivo.
O Schemer já está disponível?
O Schemer está em beta fechada. Pode pedir acesso antecipado na respetiva página.
Quanto custa o Schemer?
Todos os modelos são gratuitos para até 100k dispositivos ativos mensais por SDK. Inferência ilimitada por utilizador. Contacte-nos para licenças personalizadas.
Qual é a precisão ou a rapidez do Schemer?
Com 211M de parâmetros e 111 MB, os únicos modelos mais precisos do que o Schemer são 40 vezes maiores ou mais. Quando o texto não menciona um campo, o Schemer deixa-o vazio em 91% dos casos em vez de inventar um valor, contra 18 a 43% dos LLMs com prompt.
Acesso antecipado
Diga-nos o que está a construir e ajudamo-lo a começar.