Извлечь структурированные данные из неаккуратного HTML — задача, которая часто требует либо сложных парсеров, либо LLM с ограниченным контекстом. На платформе OpenRouter появились две новые модели Inference.net Schematron V2, которые способны выполнить эту работу, удерживая в памяти до 128 тысяч токенов.
Модели Schematron V2 Small и Schematron V2 Turbo от Inference.net теперь доступны через API OpenRouter. Их основное назначение — преобразование неструктурированного текста в текст (text-to-text) с акцентом на извлечение данных из «грязного» HTML и их форматирование в JSON по заданной схеме.
Версия Turbo (3 млрд параметров) специально оптимизирована для скорости и экономичности при больших объёмах. Она принимает на вход JSON-схему и HTML-страницу, выдавая обратно чистые, типизированные данные. Максимальный размер выходных данных составляет 8 тысяч токенов. Примеры использования показывают, что модель работает с библиотеками вроде Zod для строгого соответствия схеме.
Обе модели поддерживают контекстное окно в 128 тысяч токенов. Для сравнения, два года назад (в 2024 году) 32 тысячи токенов считались щедрым контекстом. Хотя флагманские модели вроде GPT-5.5, Gemini 3.1 Pro или Claude Opus 4.8 предлагают до 1 миллиона токенов, а Llama 4 Scout до 10 миллионов, 128 тысяч токенов для специализированной задачи преобразования HTML в JSON позволяют обрабатывать объёмные веб-страницы или целые документы, примерно 96 тысяч слов или около 190 страниц текста.
Цены на модель Schematron V2 Turbo установлены на уровне $0.03 за 1 миллион входных токенов и $0.15 за 1 миллион выходных токенов (без учёта кеша). Inference.net заявляет, что добивается таких цен благодаря своей бизнес-модели: компания выступает как «спотовый» рынок для неиспользуемых вычислительных мощностей центров обработки данных. Агрегируя эти краткосрочные «свободные» ресурсы, Inference.net получает скидки и передаёт их пользователям.
Schematron V2 предлагает инженерам специализированный инструмент для одной из самых трудоёмких задач — извлечения структурированных данных. Сочетание большого контекста и потенциально выгодной стоимости делает его заметным дополнением к экосистеме OpenRouter, особенно для тех, кто ищет альтернативу сложным парсерам или универсальным, но более дорогим LLM.