---
name: gliner2_load_model
kind: function
lang: py
domain: datascience
version: "1.0.0"
purity: impure
signature: "def gliner2_load_model(model_name: str = 'fastino/gliner2-large-v1', device: str = 'auto') -> Any"
description: "Carga (y cachea por (model_name, device)) un modelo GLiNER2 (NER+RE joint). GLiNER2 extrae entidades y relaciones en una sola pasada con schema unificado. ~2x mas rapido que GLiNER + GLiREL separados. LICENSE: Apache 2.0."
tags: [gliner2, ner, relation-extraction, nlp, model, huggingface, zero-shot, joint, datascience, python, apache2]
uses_functions: []
uses_types: []
returns: []
returns_optional: false
error_type: "error_go_core"
imports: [gliner2]
params:
  - name: model_name
    desc: "ID del modelo en HuggingFace Hub. Default: fastino/gliner2-large-v1. Alternativas: fastino/gliner2-base-v1 (mas ligero)."
  - name: device
    desc: "'auto' usa CUDA si disponible, sino CPU. Valores: 'cpu', 'cuda', 'cuda:0', 'cuda:1'. auto es el default recomendado."
output: "Instancia GLiNER2 cacheada por (model_name, device). Tiene metodos .create_schema().entities(...).relations(...) y .extract(text, schema=schema, threshold=0.3)."
tested: true
tests:
  - "cache devuelve la misma instancia con los mismos parametros"
  - "device=auto resuelve a cpu si torch no esta instalado"
  - "ImportError si gliner2 no esta instalado"
test_file_path: "python/functions/datascience/tests/test_gliner2_load_model.py"
file_path: "python/functions/datascience/gliner2_load_model.py"
notes: |
  LICENSE: fastino/gliner2-large-v1 es Apache 2.0 — uso comercial OK.
  Diferencia con gliner_load_model: GLiNER hace solo NER, GLiNER2 hace NER+RE
  en una sola pasada (joint schema). Para pipelines de grafo usar GLiNER2
  cuando se necesiten ambas tareas simultaneamente.

  impure: descarga red/disco la primera vez, mantiene estado en _MODEL_CACHE.
  Tamanio: fastino/gliner2-large-v1 ~500 MB. Primera carga 15-30s en CPU.
  Inferencia CPU: 10-50 KB texto/s con schema tipico (3 entity + 8 relation labels).
---

## Ejemplo

```python
from datascience.gliner2_load_model import gliner2_load_model

model = gliner2_load_model(device="auto")

schema = (model.create_schema()
          .entities(["person", "organization", "location"])
          .relations(["works_at", "ceo_of", "located_in"]))

result = model.extract(
    "Pablo Isla es el CEO de Inditex, empresa con sede en Arteixo.",
    schema=schema,
    threshold=0.3,
)
# result["entities"] -> {"person": ["Pablo Isla"], "organization": ["Inditex"], ...}
# result["relation_extraction"] -> {"ceo_of": [("Pablo Isla", "Inditex")], ...}
```

## Instalacion

```bash
cd python && uv pip install gliner2
# o con el extra NLP completo:
cd python && uv pip install -e '.[nlp]'
```