feat(datascience): GLiREL relation extractor (zero-shot triplets) drop-in con LLM

- glirel_load_model: cache por (model_name, device); device='auto' resuelve via torch
- extract_relations_glirel: tokeniza por whitespace, mapea spans char->token,
  llama predict_relations y devuelve RelationCandidate; fallback text.find si la
  entidad llega sin offsets; max_pairs=N -> top-N por score
- pyproject.toml: glirel en extra nlp

Closes #0039

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

python/functions/datascience/glirel_load_model.md

@@ -0,0 +1,72 @@
+---
+name: glirel_load_model
+kind: function
+lang: py
+domain: datascience
+version: "1.0.0"
+purity: impure
+signature: "def glirel_load_model(model_name: str = 'jackboyla/glirel-large-v0', device: str = 'auto') -> Any"
+description: "Carga (y cachea por (model_name, device)) un modelo GLiREL zero-shot relation extraction. La primera llamada descarga ~500 MB desde HuggingFace; sucesivas devuelven la instancia cacheada. device='auto' usa CUDA si esta disponible, o CPU."
+tags: [glirel, relation, nlp, model, huggingface, zero-shot, datascience, python]
+uses_functions: []
+uses_types: []
+returns: []
+returns_optional: false
+error_type: "error_go_core"
+imports: []
+params:
+  - name: model_name
+    desc: "ID del modelo en HuggingFace Hub (defecto: jackboyla/glirel-large-v0)"
+  - name: device
+    desc: "'auto' (CUDA si disponible, sino CPU), 'cpu', 'cuda', 'cuda:N'"
+output: "instancia GLiREL lista para predict_relations, cacheada por (model_name, device)"
+tested: true
+tests:
+  - "ImportError si glirel no esta instalado"
+  - "Cache devuelve la misma instancia con los mismos parametros"
+  - "device='auto' resuelve a cpu o cuda segun torch.cuda.is_available"
+test_file_path: "python/functions/datascience/tests/test_extract_relations_glirel.py"
+file_path: "python/functions/datascience/glirel_load_model.py"
+---
+
+## Ejemplo
+
+```python
+from python.functions.datascience import glirel_load_model
+
+# Primera llamada descarga el modelo (~500 MB, una vez)
+model = glirel_load_model(device="auto")
+
+# Llamadas sucesivas con mismos params devuelven el cache
+model_again = glirel_load_model(device="auto")
+assert model is model_again
+```
+
+## Instalacion
+
+GLiREL no esta en las dependencias principales del registry. Para usarlo:
+
+```bash
+cd python && uv pip install glirel             # solo glirel
+cd python && uv pip install -e '.[nlp]'        # extra completo (gliner + glirel)
+```
+
+## Tamaño y latencia
+
+- `jackboyla/glirel-large-v0`: ~500 MB en disco (modelo + tokenizer).
+- Primera carga: 8-20 s en CPU, depende del disco y red.
+- Inferencia CPU: depende del numero de pares entidad x relation_types. 5-20 pares/s
+  con esquema pequeño (5 relation types).
+- Inferencia GPU (CUDA T4): 50-200x mas rapido que CPU.
+
+## Notas
+
+- El cache es por (model_name, device): cargar el mismo modelo en CPU y CUDA crea dos
+  instancias. Es intencional para permitir A/B.
+- Si `torch` no esta instalado y `device='auto'`, cae a `'cpu'` sin error.
+- Para limpiar el cache (memoria GPU): borrar entradas de `_MODEL_CACHE` directamente
+  o reiniciar el proceso.
+- impure: lee disco/red la primera vez y mantiene estado en `_MODEL_CACHE`.
+- GLiREL es bueno para relaciones explicitas en el texto (`X trabaja en Y`, `A llamo a B`),
+  malo para razonamiento implicito ("CEO de la empresa"). Para razonamiento implicito
+  seguir usando `extract_relations_llm`.