# Trier des documents sans générer un mot : GLiNER2.5-Decide rejoint la vague des modèles de décision

> Fastino publie un classifieur de 340 millions de paramètres qui répond à plusieurs questions typées en un seul appel, sur CPU. Quatrième acteur en trois semaines sur un créneau qui intéresse directement le traitement documentaire.

*11 octobre 2026 · Documents & OCR · Radar IA* — https://clauzelfamille-dot.github.io/radar-ia/articles/2026-10-11-documents-gliner-decision.html

Depuis trois semaines, une famille de modèles se détache sur Hugging Face : les **modèles de décision**. Au lieu de produire un texte, ils renvoient une réponse typée (oui ou non, un choix parmi une liste, une note sur une échelle) accompagnée d'une probabilité calibrée. Cloudflare a ouvert le bal avec Clef et Clef-Flash, Convai a suivi avec Laya (0,4 B, numéro 1 des likes sur trente jours), Liquid AI avec d1-3B en version multimodale. Fastino complète la série avec [GLiNER2.5-Decide](https://huggingface.co/fastino/GLiNER2.5-Decide). 

## Ce que fait le modèle 

GLiNER2.5-Decide est un fine-tune de gliner2-large de 340 millions de paramètres, sous licence Apache 2.0. On lui donne un passage de texte et une ou plusieurs questions : une question fermée, un choix multiple, une échelle ordinale, une étiquette multi-label. Il répond à toutes en un seul appel, sans raisonnement intermédiaire ni texte libre. La fiche annonce 60,2 % de précision moyenne sur le benchmark maison « fast-decisions », évalué en anglais. Le modèle tourne sur CPU via la bibliothèque `gliner2`, ce qui le place dans la même catégorie d'usage que Laya. 

Pour les textes non anglais, Fastino renvoie vers [GLiNER2.5-multi-Decide](https://huggingface.co/fastino/GLiNER2.5-multi-Decide) (287 M), étiqueté multilingue. Le français n'y est pas évalué explicitement : c'est le premier point à vérifier. 

## Pourquoi c'est intéressant pour le traitement documentaire 

Le tri de courriers, de procès-verbaux ou de fiches de non-conformité se résume souvent à quelques décisions : à traiter ou à archiver, urgent ou non, quel service, quelle criticité. Un LLM génératif sait le faire, mais il est lent, coûteux et difficile à calibrer. Un modèle de décision répond en quelques millisecondes, sur une machine sans GPU, et fournit une confiance exploitable pour router les cas douteux vers un humain. 

La communauté s'est d'ailleurs dotée d'un premier jeu d'évaluation neutre : [typed-decisions](https://huggingface.co/datasets/LocalLLaMA/typed-decisions), 1 600 décisions réparties en quatre domaines, dont un sous-ensemble *invoice_processing* (traitement de factures). C'est le terrain idéal pour comparer GLiNER2.5-Decide, Laya, d1-3B et Clef-Flash sur des cas proches du réel. 

## Comment l'essayer 
 
- Installer `gliner2`, charger la variante multi-Decide, et lui soumettre une vingtaine de documents déjà classés à la main avec deux questions : « À traiter ? » (oui/non) et « Urgence » (0 à 5). 
- Comparer les réponses et les scores de confiance avec Laya sur le même lot. 
- Fixer un seuil de confiance en dessous duquel le document part en revue humaine. 
 

Le point de vigilance reste la langue : si la variante multilingue décroche sur le français, d1-3B (multimodal, 3 B) ou Clef-Flash (9 B) restent les options locales les plus solides, au prix d'un GPU.

## Sources

- [Fiche fastino/GLiNER2.5-Decide](https://huggingface.co/fastino/GLiNER2.5-Decide)
- [Fiche fastino/GLiNER2.5-multi-Decide](https://huggingface.co/fastino/GLiNER2.5-multi-Decide)
- [Dataset LocalLLaMA/typed-decisions](https://huggingface.co/datasets/LocalLLaMA/typed-decisions)
- [Fiche convaiinnovations/laya](https://huggingface.co/convaiinnovations/laya)