Schemer : du texte libre au JSON structuré, sur l'appareil
Extraction sur l'appareil qui transforme du texte libre en un objet JSON typé conforme à votre JSON Schema, sans inventer de valeurs pour les champs manquants.
Schemer prend du texte libre et un JSON Schema fourni par le développeur, et renvoie un objet JSON qui lui correspond, avec des garanties de type plutôt que du texte génératif. Un simple JSON Schema en entrée (compatible OpenAI et Gemini), du JSON typé en sortie. Son atout, c'est la détection d'absence : savoir quand un champ n'est tout simplement pas dans le texte, à 0,91 contre 0,18 à 0,43 pour les LLM sollicités par prompt, ce qui est précisément là où les extracteurs génératifs échouent. Le modèle est généraliste ; la référence de lancement est la création de tâches.
Démo
Performances
Avec 211 M de paramètres et 111 MB, les seuls modèles plus précis que Schemer font 40 fois sa taille ou plus. Quand le texte ne mentionne pas un champ, Schemer le laisse vide 91 % du temps au lieu d'inventer une valeur, contre 18 à 43 % pour les LLM sollicités par prompt.
9 021 enregistrements réservés répartis sur sept usages, 13 langues (interne)
| Modèle | Précision | Absence | Paramètres | Disque |
|---|---|---|---|---|
| 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 |
Évaluation interne sur 9 021 enregistrements réservés ; les concurrents sont évalués sur le même jeu réservé.
Cas d'usage
Du langage naturel à une entrée d'agenda
Transformez « Déjeuner avec Priya jeudi prochain à 13 h, environ une heure » en un événement typé : titre, date-heure de début, durée et récurrence. S'exécute dans un clavier ou une application de notes, sur l'appareil et hors ligne.
Des messages en enregistrements structurés
Transformez un message de chat, un e-mail ou une note scannée en prospect CRM, commande ou facture : noms, e-mails, montants et dates, chacun décodé dans son vrai type, les champs manquants renvoyés comme null plutôt que devinés.
Une entrée plus propre pour les LLM sur l'appareil
Pré-structurez un texte brouillon en champs validés et typés avant qu'il n'atteigne un LLM sur l'appareil. Une entrée structurée et propre plutôt que de la prose brute réduit les hallucinations et le coût en tokens, et améliore la précision, le tout sans quitter l'appareil.
Agents sur l'appareil et remplissage de formulaires
Confiez à un agent local un JSON Schema et du texte libre, et récupérez du JSON typé pour déclencher une action ou préremplir un formulaire, sans LLM cloud ni coût par appel.
Avis et retours en notes
Convertissez un avis en texte libre en une note en étoiles typée, un label de sentiment (positif, mitigé, négatif) et des indicateurs comme « rachèterait », prêts à trier ou aiguiller sans lire chacun d'eux.
Normaliser des enregistrements en désordre
Convertissez par lots des enregistrements en texte libre incohérents, des notes, des journaux ou des tableurs exportés en un schéma typé et propre, avec les champs absents signalés plutôt qu'inventés, sur l'appareil.
Ce que ça fait
- Un simple JSON Schema en entrée (compatible OpenAI et Gemini), du JSON typé en sortie.
- Décode chaînes, nombres, booléens, dates-heures, labels et tableaux dans leurs vrais types.
- Détection d'absence explicite : signale un champ comme manquant au lieu d'inventer une valeur.
- Fonctionne dans 13 langues depuis un seul modèle, sans configuration par langue.
Spécifications
- Paramètres
- 211 M (encodeur mmBERT-base élagué)
- Précision
- 0,800 (int8), 0,911 en détection d'absence
- Taille
- 111 MB (int4 AWQ), 218 MB (int8)
- Formats
- Core ML et ONNX, multiplateforme
FAQ
Qu'est-ce que Schemer ?
Extraction sur l'appareil qui transforme du texte libre en un objet JSON typé conforme à votre JSON Schema, sans inventer de valeurs pour les champs manquants.
Schemer fonctionne-t-il sur l'appareil ?
Oui. Schemer s'exécute entièrement sur l'appareil : l'inférence a lieu en local, sans appel serveur, de sorte que les données ne quittent jamais l'appareil.
Schemer est-il déjà disponible ?
Schemer est en bêta fermée. Vous pouvez demander un accès anticipé depuis sa page.
Combien coûte Schemer ?
Chaque modèle est gratuit jusqu'à 100k appareils actifs mensuels par SDK. Inférence illimitée par utilisateur. Contactez-nous pour des licences sur mesure.
Quelle est la précision ou la vitesse de Schemer ?
Avec 211 M de paramètres et 111 MB, les seuls modèles plus précis que Schemer font 40 fois sa taille ou plus. Quand le texte ne mentionne pas un champ, Schemer le laisse vide 91 % du temps au lieu d'inventer une valeur, contre 18 à 43 % pour les LLM sollicités par prompt.
Accès anticipé
Dites-nous ce que vous construisez et nous vous aidons à démarrer.