fn_registry/python/functions/datascience/extract_relations_mrebel.md

name, kind, lang, domain, version, purity, signature, description, tags, uses_functions, uses_types, returns, returns_optional, error_type, imports, params, output, tested, tests, test_file_path, file_path, notes

name	kind	lang	domain	version	purity	signature	description	tags	uses_functions	uses_types	returns	returns_optional	error_type	imports	params	output	tested	tests	test_file_path	file_path	notes
extract_relations_mrebel	function	py	datascience	1.0.0	impure	def extract_relations_mrebel(text: str, entities: list[EntityCandidate], tokenizer: Any, model: Any, src_lang: str = 'es_XX', sentence_split_re: str = r'(?<=[.!?])\s+', min_sentence_chars: int = 20, num_beams: int = 4, max_length: int = 256) -> list[RelationCandidate]	Extrae relaciones entre entidades usando mREBEL (seq2seq multilingue). Divide el texto por oraciones, genera triplets con mREBEL, parsea con parse_rebel_output y alinea a entidades conocidas con align_relations_to_entities. Drop-in con extract_relations_glirel para benchmarks.	mrebel relation-extraction nlp extract knowledge-graph seq2seq multilingual datascience python pendiente-usar	mrebel_load_model_py_datascience parse_rebel_output_py_datascience align_relations_to_entities_py_datascience	entity_candidate_py_datascience relation_candidate_py_datascience	relation_candidate_py_datascience	false	error_go_core	re	name desc text texto fuente en el idioma de src_lang (mismo chunk usado para extraer las entidades) name desc entities entidades ya extraidas de este texto (de extract_entities_gliner o similar). Solo se conservan relaciones entre entidades de esta lista. name desc tokenizer tokenizer mREBEL cargado con mrebel_load_model — inyectado por el caller para evitar re-carga en batch name desc model modelo mREBEL cargado con mrebel_load_model — inyectado por el caller name desc src_lang informativo — el idioma con que se cargo el tokenizer (ej. 'es_XX'). No se usa en runtime. name desc sentence_split_re patron regex para dividir el texto en oraciones. Defecto: split despues de [.!?] seguido de espacio. name desc min_sentence_chars longitud minima de caracteres para procesar una oracion. Fragmentos mas cortos se saltan (defecto 20). name desc num_beams ancho del beam search para model.generate (defecto 4) name desc max_length longitud maxima en tokens para tokenizacion y generacion (defecto 256)	lista de RelationCandidate con confidence=1.0 (mREBEL no produce score continuo). from_name/to_name siempre coinciden con entidades del input.	true	flujo completo con stub produce RelationCandidate correctos menos de 2 entidades retorna vacio texto vacio retorna vacio triplets no alineables se descartan	python/functions/datascience/tests/test_extract_relations_mrebel.py	python/functions/datascience/extract_relations_mrebel.py	impure: model.generate es I/O computacional con estado externo (pesos del modelo). mREBEL no produce un confidence score continuo — devuelve los triplets que el modelo decodifico como output mas probable. confidence=1.0 es un marcador "el modelo lo emitio", no una probabilidad calibrada. Para filtrar por calidad, usar el numero de beams como proxy o combinar con un clasificador posterior. Drop-in con extract_relations_glirel para benchmarks: - Misma interfaz de entrada (text, entities, model) - Misma salida (list[RelationCandidate]) - Diferencia: mREBEL no necesita relation_types (genera relaciones libre), glirel necesita relation_types (zero-shot discriminativo). LICENCIA del modelo: Babelscape/mrebel-large es CC BY-NC-SA 4.0 (no comercial). Ver mrebel_load_model para mas detalles.

Ejemplo

from python.functions.datascience.mrebel_load_model import mrebel_load_model
from python.functions.datascience.extract_relations_mrebel import extract_relations_mrebel
from python.types.datascience.entity_candidate import EntityCandidate

tokenizer, model = mrebel_load_model(src_lang="es_XX")

text = "Pablo Isla es el presidente de Inditex. La empresa tiene sede en Arteixo, A Coruna."
entities = [
    EntityCandidate(name="Pablo Isla", type_label="PER", confidence=0.95),
    EntityCandidate(name="Inditex", type_label="ORG", confidence=0.92),
    EntityCandidate(name="Arteixo", type_label="LOC", confidence=0.88),
    EntityCandidate(name="A Coruna", type_label="LOC", confidence=0.85),
]

relations = extract_relations_mrebel(
    text=text,
    entities=entities,
    tokenizer=tokenizer,
    model=model,
)
# [RelationCandidate(from_name='Pablo Isla', to_name='Inditex',
#                    relation_type='employer', confidence=1.0, ...), ...]

Comparacion con extract_relations_glirel

	mREBEL	GLiREL
Tipo	Seq2seq generativo	Discriminativo zero-shot
relation_types	No (genera libre)	Si (obligatorio)
Confidence	1.0 fijo (no calibrado)	0.0-1.0 (calibrado)
Idiomas	30+ multilingue	Principalmente EN
Licencia modelo	CC BY-NC-SA (no comercial)	Apache 2.0
Velocidad	Mas lento (seq2seq)	Mas rapido (clasificador)

Notas de diseno

• parse_rebel_output y align_relations_to_entities son funciones puras compuestas por esta funcion impura — testeable independientemente.
• Errores de tokenizacion/generacion por frase se capturan y saltan (la frase se ignora, el resto del texto se procesa).
• source_chunk_index rastrea el indice de oracion de origen, no de chunk de texto — util para debugging.