Schemer: Freitext zu strukturiertem JSON, auf dem Gerät
Extraktion auf dem Gerät, die Freitext in ein typisiertes JSON-Objekt passend zu Ihrem JSON Schema verwandelt, ohne Werte für fehlende Felder zu erfinden.
Schemer nimmt Freitext und ein vom Entwickler bereitgestelltes JSON Schema und gibt ein dazu passendes JSON-Objekt zurück, mit Typgarantien statt generativem Text. Einfaches JSON Schema hinein (kompatibel mit OpenAI und Gemini), typisiertes JSON hinaus. Seine Stärke ist die Abwesenheitserkennung: zu wissen, wann ein Feld schlicht nicht im Text steht, mit 0,91 gegenüber 0,18 bis 0,43 bei geprompteten LLMs, genau dort, wo generative Extraktoren scheitern. Das Modell ist allgemein; die Referenz zum Start ist die Aufgabenerstellung.
Demo
Leistung
Mit 211M Parametern und 111 MB sind die einzigen Modelle, die genauer als Schemer sind, 40-mal so groß oder größer. Erwähnt der Text ein Feld nicht, lässt Schemer es in 91 % der Fälle leer, statt einen Wert zu erfinden, gegenüber 18 bis 43 % bei geprompteten LLMs.
9.021 zurückgehaltene Datensätze über sieben Nutzungssegmente, 13 Sprachen (intern)
| Modell | Genauigkeit | Abwesenheit | Parameter | Festplatte |
|---|---|---|---|---|
| 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 |
Interne Evaluierung auf 9.021 zurückgehaltenen Datensätzen; die Wettbewerber laufen auf demselben zurückgehaltenen Datensatz.
Anwendungsfälle
Natürliche Sprache zu Kalendereintrag
Verwandeln Sie „Mittagessen mit Priya nächsten Donnerstag um 13 Uhr, etwa eine Stunde“ in ein typisiertes Ereignis: Titel, Startzeitpunkt, Dauer und Wiederholung. Läuft in einer Tastatur- oder Notiz-App, auf dem Gerät und offline.
Nachrichten zu strukturierten Datensätzen
Verwandeln Sie eine Chat-Nachricht, E-Mail oder gescannte Notiz in einen CRM-Lead, eine Bestellung oder Rechnung: Namen, E-Mail-Adressen, Beträge und Daten, jeweils in ihren echten Typ dekodiert, wobei fehlende Felder als null zurückgegeben statt geraten werden.
Saubere Eingabe für On-Device-LLMs
Strukturieren Sie unordentlichen Text vorab in validierte, typisierte Felder, bevor er ein On-Device-LLM erreicht. Saubere strukturierte Eingabe statt roher Prosa senkt Halluzinationen und Token-Kosten und steigert die Genauigkeit, alles ohne das Gerät zu verlassen.
On-Device-Agenten und Formularausfüllung
Geben Sie einem lokalen Agenten ein JSON Schema und Freitext und erhalten Sie typisiertes JSON zurück, um eine Aktion auszulösen oder ein Formular vorauszufüllen, ohne Cloud-LLM und ohne Kosten pro Aufruf.
Rezensionen und Feedback zu Bewertungen
Bewerten Sie eine Freitext-Rezension als typisierte Sternebewertung, ein Stimmungslabel (positiv, gemischt, negativ) und Kennzeichen wie „würde erneut kaufen“, bereit zum Sortieren oder Weiterleiten, ohne jede einzeln zu lesen.
Unordentliche Datensätze normalisieren
Konvertieren Sie inkonsistente Freitext-Datensätze, Notizen, Logs oder exportierte Tabellen im Stapel in ein sauberes, typisiertes Schema, wobei fehlende Felder gekennzeichnet statt erfunden werden, auf dem Gerät.
Was es macht
- Einfaches JSON Schema hinein (kompatibel mit OpenAI und Gemini), typisiertes JSON hinaus.
- Dekodiert Strings, Zahlen, Booleans, Datums-/Zeitwerte, Labels und Arrays in ihre echten Typen.
- Explizite Abwesenheitserkennung: meldet ein Feld als fehlend, statt einen Wert zu erfinden.
- Funktioniert über 13 Sprachen hinweg aus einem einzigen Modell, ohne Einrichtung pro Sprache.
Technische Daten
- Parameter
- 211M (gestutzter mmBERT-base-Encoder)
- Genauigkeit
- 0,800 (int8), 0,911 Abwesenheitserkennung
- Größe
- 111 MB (int4 AWQ), 218 MB (int8)
- Formate
- Core ML und ONNX, plattformübergreifend
FAQ
Was ist Schemer?
Extraktion auf dem Gerät, die Freitext in ein typisiertes JSON-Objekt passend zu Ihrem JSON Schema verwandelt, ohne Werte für fehlende Felder zu erfinden.
Läuft Schemer auf dem Gerät?
Ja. Schemer läuft vollständig auf dem Gerät: Die Inferenz erfolgt lokal ohne Serveraufruf, sodass keine Daten das Gerät verlassen.
Ist Schemer schon verfügbar?
Schemer befindet sich in einer geschlossenen Beta. Sie können auf der zugehörigen Seite frühen Zugang anfordern.
Was kostet Schemer?
Jedes Modell ist für bis zu 100k monatlich aktive Geräte pro SDK kostenlos. Unbegrenzte Inferenz pro Nutzer. Kontaktieren Sie uns für individuelle Lizenzen.
Wie genau oder schnell ist Schemer?
Mit 211M Parametern und 111 MB sind die einzigen Modelle, die genauer als Schemer sind, 40-mal so groß oder größer. Erwähnt der Text ein Feld nicht, lässt Schemer es in 91 % der Fälle leer, statt einen Wert zu erfinden, gegenüber 18 bis 43 % bei geprompteten LLMs.
Früher Zugang
Sagen Sie uns, was Sie entwickeln, und wir richten Ihnen alles ein.