/ Модель

Характеристики

Контекст
131 072 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Архитектура
llama · dense
Базовая модель
Llama-3.1-8B-Instruct
Библиотека
transformers
Опубликована
21 авг 2025

Schematron-8B

Генерация текстаТекст → текст7 профессий

Schematron-8B — дообученная модель Inference.net для преобразования HTML-страниц в JSON по заданной схеме.

154скачиваний за 30 дней37лайковвеса обновлены23 апр 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Schematron-8B — специализированная языковая модель компании Inference.net для извлечения структурированных данных из HTML. Она принимает HTML-страницу и JSON Schema, а в ответ формирует JSON, соответствующий заданной схеме; модель построена на архитектуре Llama и дообучена на базе meta-llama/Llama-3.1-8B-Instruct. По метаданным, модель содержит 7,5 млрд параметров, использует библиотеку Transformers и формат safetensors.

Модель предназначена для веб-скрейпинга, загрузки данных и преобразования содержимого страниц в структурированные записи. Контекст составляет до 131 072 токенов. Карточка заявляет качество извлечения, близкое к GPT-4.1 на описанной оценке, и рекомендует температуру 0 и JSON-режим для более стабильного вывода.

Модель работает со статическим HTML: динамически загружаемый контент нужно предварительно отобразить, а очень большие страницы могут потребовать усечения. Результаты неоднозначных полей зависят от ясности схемы; вывод рекомендуется проверять по схеме. Лицензия в предоставленных данных не указана.

Сценарии применения

  • извлечение товарных характеристик из HTML-каталогов
  • преобразование страниц компаний в структурированные записи
  • сбор полей веб-страниц для загрузки в базу данных
  • извлечение фактов из результатов веб-поиска в JSON
  • разбор статических HTML-страниц по пользовательской схеме

Ограничения

Работает со статическим HTML; динамический контент нужно предварительно отобразить, а очень большие страницы могут потребовать усечения. Качество неоднозначных полей зависит от ясности схемы, поэтому результаты рекомендуется проверять.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Overview

Welcome to the Schematron series, Inference.net's long‑context extraction models specialized in converting noisy HTML into clean, typed JSON that conforms to your custom schema. The Schematron series was purpose‑trained for web scraping, data ingestion, and transforming arbitrary pages into structured records.

We're releasing these models in two different sizes:

  • Schematron‑8B — marginal quality lift on harder/longer pages
  • Schematron‑3B — recommended default; near‑parity quality at ~50% cost of Schematron-8B

[!NOTE] This model card is dedicated to the smaller Schematron-8B model. Check out Schematron-3B for the smaller model.

I/O at a glance

  • Input: Cleaned HTML + JSON Schema (can be extracted from typed model like Pydantic/Zod)
  • Output: Strictly valid JSON conforming to the provided schema (no narration)

[!NOTE] The JSON Schema passed as input needs to conform to the schema.org schema.

Highlights

  • Schema-first extraction: 100% schema‑conformant JSON outputs
  • Long context: Robust to lengthy, noisy HTML (up to 128K tokens)
  • Variants: 3B (default, most cost‑efficient) · 8B (marginal quality lift at ~2× cost)

Model Details

  • Family: Schematron (3B and 8B)
  • Context window: Up to 128K tokens
  • Input: Cleaned or raw HTML and a JSON Schema
  • Output: Strict JSON that conforms to the provided schema

Benchmarks

HTML-to-JSON Extraction Quality

We evaluated extraction quality using Gemini 2.5 Pro as a judge, scoring extractions from 1-5 where 5 represents perfect extraction.

ModelLLM-as-Judge Score
GPT-4.14.74
Schematron-8B4.64
Schematron-3B4.41
Gemini-3B-Base2.24

Web-Augmented Factuality on SimpleQA

We evaluated Schematron's real-world impact on LLM factuality using SimpleQA.

Test Pipeline:

  1. Query Generation: Primary LLM (GPT-5 Nano or GPT-4.1) generates search queries and defines extraction schema
  2. Web Search: Search provider (SERP or Exa) retrieves relevant pages
  3. Structured Extraction: Schematron extracts JSON data from retrieved pages using the schema
  4. Answer Synthesis: Primary LLM produces final answer from structured data

image/png

Key findings:

  • Web search paired with JSON extraction improves factuality: Adding Schematron with web retrieval improves GPT-5 Nano's accuracy from 8.54% to 82.87%—nearly a 10x improvement
  • Search provider matters: Exa (82.9%) significantly outperforms SERP (64.2%) for factual retrieval, while also being more cost-effective
  • Structured extraction beats raw HTML: Processing raw HTML would require 100k+ tokens for 10 searches; Schematron's JSON extraction reduces this by orders of magnitude
  • Small specialized models win: Schematron-8B (82.87%) outperforms the much larger Gemini 2.5 Flash (80.61%) on this task, showing that fine-tuning for well-defined tasks beats general purpose models
  • Performance scales with model quality: When paired with GPT-4.1, Schematron achieves 85.58% accuracy, showing the approach benefits from stronger base models

Minimal Quickstart

Use these local snippets to prepare HTML and compose a schema‑guided prompt. The model returns strictly valid JSON; validate it against your schema downstream.

from lxml.html.clean import Cleaner
import lxml.html as LH

HTML_CLEANER = Cleaner(
    scripts=True,
    javascript=True,
    style=True,
    inline_style=True,
    safe_attrs_only=False,
)


def strip_noise(html: str) -> str:
    """Remove scripts, styles, and JavaScript from HTML using lxml.
    """
    if not html or not html.strip():
        return ""
    try:
        doc = LH.fromstring(html)
        cleaned = HTML_CLEANER.clean_html(doc)
        return LH.tostring(cleaned, encoding="unicode")
    except Exception:
        return ""

Compose messages with your schema and cleaned HTML:

def construct_messages(schema: str, html: str):
    """Construct messages for a schema‑guided extraction request."""
    response_prompt = {
        "prompt_part_one": (
            "You are going to be given a JSON schema following the standardized JSON "
            "Schema format. You are going to be given a HTML page and you are going "
            "to apply the schema to the HTML page however you see it as applicable "
            "and return the results in a JSON object. The schema is as follows:"
        ),
        "prompt_part_two": "Here is the HTML page:",
        "prompt_part_three": "MAKE SURE ITS VALID JSON.",
    }

    user_prompt = (
        response_prompt['prompt_part_one']
        + "\n\n" + schema + "\n\n"
        + response_prompt['prompt_part_two']
        + "\n\n" + html + "\n\n"
        + response_prompt['prompt_part_three']
    )

    return [
        {"role": "system", "content": "You are a helpful assistant"},
        {"role": "user", "content": user_prompt},
    ]

[!NOTE] In the serverless API there's no need to pass anything but the HTML. We handle the prompt formatting for you.

Recommendations

  • Temperature 0 and JSON mode for deterministic, parseable output
  • Validate responses against your schema (e.g., Pydantic or Zod)
  • Pre‑clean HTML (remove scripts/styles) when possible; avoid over‑aggressive removal
  • Using lxml to clean the HTML is not required, but is recommended as it matches the training data.

Limitations

  • Static HTML only; render client‑side content upstream
  • Very large pages may require truncation
  • Ambiguous fields depend on schema clarity; be explicit in field descriptions

Safety and Responsible Use

  • Extracted data may include personal or sensitive information present in the page—handle and store responsibly
  • Respect site terms, robots.txt, and applicable laws
  • Use downstream validation and guardrails for compliance

License

See license in the metadata above.

Support

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
60f21ec

0 моделей