fast-decisions是 Fastino 官方为GLiNER2.5-Decide智能分类模型发布的一套决策数据套件：17 个真实业务领域、每个领域 100 条样本、共 1,700 行，每行都是"一段文档 + 产品必须做出的决策"。对于想在客服路由、邮件分诊、意图识别等场景落地智能分类的工程师来说，它是最贴合生产场景的训练与评测起点。

一、先搞懂：什么是"决策数据套件"？

传统文本分类数据集只告诉你"这段文本属于哪个类别"，而 fast-decisions 模拟的是线上产品真正要做的判断：

• 📥 输入是一段自由文本（邮件、工单、评论、病历、新闻……）
• 🏷️ 输出包含任务名（task）、完整候选标签集（labels）、金标签（true_label）
• 🧩 一行数据可以携带多个分类头（head），一次调用同时完成多个决策

它明确不是"通用考试"：没有推理链、没有开放式答案，只有运营级决策——客户与银行意图、邮件分诊、工单路由、人工接管、以及打分/是否类关卡。

这个定位正是它区别于通用分类数据集的核心价值：拿它训练或评测的模型，出来的就是能直接接业务逻辑的结果。

二、套件里有什么？17 个真实业务领域一览

数据仓库结构非常直观：README.md 说明文档 + 17 个 JSONL 文件，每个文件对应一个领域、各 100 行：

几个值得一提的设计亮点：

• 多标签头：如 product_feedback.jsonl 的product_area、restaurant_review.jsonl 的aspects、screen_tags.jsonl 的genres，一条样本可同时命中多个方面
• 多决策头：email_triage.jsonl 一封邮件要打 4 个标签（分类、行动、是否需回复、是否钓鱼）
• 有序/是否型头：紧急度low → critical、yes/no关卡，适合做前置门控
• 文中人名、账号、金额均为虚构数据，Apache 2.0 许可，可自由商用

三、数据结构：一行数据的"决策三要素"

每行 JSONL 的形状高度统一（详见 README.md）：

{ "input": "<自由文本>", "output": { "classifications": [ { "task": "类别名", "true_label": ["金标签"], "labels": ["完整候选标签集"], "multi_label": false } ] } }

新手使用时记住 3 条铁律：

1. true_label永远是字符串列表，即使是单标签头
2. labels是该头的完整候选集——推理时原样传给模型，不要把金标签从中剔除
3. 有序头（0–5、0–10）使用字符串数字而非整数，比对时注意类型

以 email_triage.jsonl 为例，一封关于"改期季度评审"的邮件会同时产出 4 个金标签：category → calendar、action → escalate、needs_reply → yes、is_phishing → no——这正是产品侧分诊引擎需要的全部信息。

四、基准成绩：GLiNER2.5-Decide 决策评测表现

⚠️ 先说一个重要的评测约定：仓库发布的是开发集（100 条/领域），测试集（300 条/领域）是保留的。所以不要在仓库文件上算分并对外宣称基准成绩。

官方在保留测试集上以精确匹配方式评测，GLiNER2.5-Decide 的成绩如下：

可以看到，针对决策场景专门微调的 GLiNER2.5-Decide 领先通用抽取模型，说明"决策套件 + 专项微调"这条路线是有效的。非英文文本可换用多语言版GLiNER2.5-multi-Decide按同样方式评测。

五、快速上手：三步开始使用 fast-decisions

第 1 步：获取数据

git clone https://gitcode.com/hf_mirrors/fastino/fast-decisions

克隆后直接用任意 JSON 解析工具打开 support_intent.jsonl 等文件即可查看原始数据。

第 2 步：用 HuggingFace datasets 加载

加载单个领域：

from datasets import load_dataset ds = load_dataset("fastino/fast-decisions", "support_intent", split="train")

第 3 步：调用 GLiNER2.5-Decide 评测

from gliner2 import AutoExtractor model = AutoExtractor.from_pretrained("fastino/GLiNER2.5-Decide") pred = model.classify_text(row["input"], {head["task"]: head["labels"]})

单标签头返回字符串、多标签头返回列表，统一转成集合做精确匹配即可。完整 17 领域加载与评测脚本见 README.md 的 Loading 章节。

六、谁适合选 fast-decisions？

• 🎯做客服/工单系统的团队：ticket_route直接覆盖队列、紧急度、PII 三重路由决策
• 📧做智能邮箱/收件箱分诊的产品：email_triage的 4 头结构与真实分诊引擎一一对应
• 🏦金融、医疗、政务领域：银行意图、就诊请求、福利查询都有现成领域
• 🧪需要决策基准来对比模型：保留测试集 + 官方成绩表，方便公平横评
• ⚡想快速微调 GLiNER2.5：schema 驱动格式即微调输入格式，无需二次改造数据

七、总结

一句话总结 fast-decisions 的选型理由：它把"智能分类"从学术标签拉回到了业务决策——17 个领域、多决策头、完整候选标签集、保留测试集加官方基准成绩，构成了从训练到评测的闭环。如果你要构建的是能直接接管线上流量判断的分类模型，这套决策数据套件是目前最省心的起点。

📌 延伸阅读：数据 schema 规范与各头完整标签清单见 README.md，引用信息（BibTeX）见 README.md。