Schemer: 온디바이스 자유 형식 텍스트에서 구조화 JSON으로
자유 형식 텍스트를 JSON Schema에 맞는 타입 지정 JSON 객체로 바꾸는 온디바이스 추출로, 빠진 필드에 값을 지어내지 않습니다.
Schemer는 자유 텍스트와 개발자가 제공한 JSON Schema를 받아, 생성형 텍스트가 아니라 타입이 보장되는 방식으로 그에 맞는 JSON 객체를 돌려줍니다. 일반 JSON Schema를 입력(OpenAI 및 Gemini 호환)하면 타입 지정 JSON이 출력됩니다. 강점은 부재 탐지, 즉 필드가 텍스트에 아예 없을 때를 아는 능력입니다. 프롬프트 기반 LLM의 0.18~0.43에 비해 0.91에 이르며, 바로 이 지점이 생성형 추출기가 실패하는 곳입니다. 모델은 범용이며, 출시 시점의 대표 사례는 할 일 생성입니다.
데모
성능
211M 파라미터, 111 MB 규모에서 Schemer보다 정확한 모델은 그 크기의 40배 이상뿐입니다. 텍스트가 어떤 필드를 언급하지 않으면, Schemer는 값을 지어내는 대신 91%의 경우 비워 두며, 이는 프롬프트 기반 LLM의 18~43%와 대비됩니다.
7개 사용 구간, 13개 언어에 걸친 별도 레코드 9,021건 (내부)
| 모델 | 정확도 | 부재 | 파라미터 | 디스크 |
|---|---|---|---|---|
| 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 |
별도 레코드 9,021건에 대한 내부 평가로, 경쟁 모델도 동일한 별도 세트에서 실행되었습니다.
활용 사례
자연어를 일정 항목으로
“다음 주 목요일 1시에 Priya와 점심, 약 한 시간”을 타입이 지정된 이벤트로 바꿉니다. 제목, 시작 일시, 소요 시간, 반복입니다. 키보드나 메모 앱 안에서, 기기에서 오프라인으로 실행됩니다.
메시지를 구조화 레코드로
채팅 메시지, 이메일, 스캔한 메모를 CRM 리드, 주문, 청구서로 바꿉니다. 이름, 이메일, 금액, 날짜가 각각 실제 타입으로 디코딩되며, 빠진 필드는 추측 대신 null로 반환됩니다.
온디바이스 LLM을 위한 더 깔끔한 입력
지저분한 텍스트가 온디바이스 LLM에 닿기 전에, 검증된 타입 지정 필드로 미리 구조화합니다. 원문 대신 깔끔하게 구조화된 입력은 환각과 토큰 비용을 줄이고 정확도를 높이며, 이 모든 것이 기기를 벗어나지 않습니다.
온디바이스 에이전트와 폼 자동 채우기
로컬 에이전트에 JSON Schema와 자유 텍스트를 넘기면 타입 지정 JSON을 돌려받아 동작을 실행하거나 폼을 미리 채울 수 있으며, 클라우드 LLM도 호출당 비용도 없습니다.
리뷰와 피드백을 평점으로
자유 텍스트 리뷰를 타입 지정 별점, 감성 라벨(긍정, 혼합, 부정), 재구매 의향 같은 플래그로 점수화하여, 하나하나 읽지 않고도 정렬하거나 분류할 수 있습니다.
지저분한 레코드 정규화
일관되지 않은 자유 텍스트 레코드, 메모, 로그, 내보낸 스프레드시트를 하나의 깔끔한 타입 지정 스키마로 일괄 변환하며, 없는 필드는 지어내지 않고 표시하고, 이 모두가 기기에서 이루어집니다.
기능 소개
- 일반 JSON Schema 입력(OpenAI 및 Gemini 호환), 타입 지정 JSON 출력.
- 문자열, 숫자, 불리언, 일시, 라벨, 배열을 실제 타입으로 디코딩합니다.
- 명시적 부재 탐지: 값을 지어내는 대신 필드를 누락으로 보고합니다.
- 언어별 설정 없이, 하나의 모델로 13개 언어에서 작동합니다.
사양
- 파라미터
- 211M (프루닝한 mmBERT-base 인코더)
- 정확도
- 0.800 (int8), 부재 탐지 0.911
- 크기
- 111 MB (int4 AWQ), 218 MB (int8)
- 형식
- Core ML과 ONNX, 크로스 플랫폼
자주 묻는 질문
Schemer은(는) 무엇인가요?
자유 형식 텍스트를 JSON Schema에 맞는 타입 지정 JSON 객체로 바꾸는 온디바이스 추출로, 빠진 필드에 값을 지어내지 않습니다.
Schemer은(는) 온디바이스로 실행되나요?
네. Schemer은(는) 전적으로 기기에서 실행됩니다. 추론이 서버 호출 없이 로컬에서 이루어지므로 데이터가 기기를 벗어나지 않습니다.
Schemer은(는) 지금 사용할 수 있나요?
Schemer은(는) 비공개 베타 단계입니다. 해당 페이지에서 얼리 액세스를 요청할 수 있습니다.
Schemer의 비용은 얼마인가요?
모든 모델은 SDK당 월간 활성 기기 10만 대까지 무료입니다. 사용자당 추론은 무제한입니다. 맞춤 라이선스는 문의하기 바랍니다.
Schemer은(는) 얼마나 정확하고 빠른가요?
211M 파라미터, 111 MB 규모에서 Schemer보다 정확한 모델은 그 크기의 40배 이상뿐입니다. 텍스트가 어떤 필드를 언급하지 않으면, Schemer는 값을 지어내는 대신 91%의 경우 비워 두며, 이는 프롬프트 기반 LLM의 18~43%와 대비됩니다.
얼리 액세스
무엇을 만들고 계신지 알려주시면 설정을 도와드리겠습니다.