Schematron V2 Turbo

1. 吞吐量优先

这是 Turbo 存在的主要原因。

在单张 H100、10K 输入 token + 500 输出 token 的测试条件下，Turbo 达到 4.14 requests/sec。

对比：

• V2 Small：2.47 requests/sec
• 初代 8B：约 1.66 requests/sec

Turbo 比 V2 Small 快约 1.7 倍，比初代 8B 快约 2.5 倍。

这种提升放在普通调用里可能感觉不到。

但对于实时爬虫、价格监控、金融文档解析这类持续运行的任务，吞吐量会直接影响整体成本。

如果让我选，我不会用 Turbo 处理少量、高价值页面。

它更适合大量重复任务。

2. 质量接近 Small，但不是最高

Turbo 的定位不是追求最高质量，而是在速度和成本之间做取舍。

Inference.net 使用 GPT-5.4 作为 LLM-as-judge（1-5 分）：

• V2 Turbo：4.039
• V2 Small：4.060
• V1 8B：4.070
• V1 3B：3.909

SimpleQA 测试：

• V2 Turbo + GPT-5 Nano + Exa：79.42
• V2 Small：83.10

数字上，Turbo 低于 Small。

但我不太在意这几个小数点差距。

对于每天处理大量网页的数据系统，真正重要的是成本、速度和稳定性。

如果结果已经满足业务需求，再追求一点点评分提升，未必划算。

3. Schema 驱动，不靠 Prompt

Turbo 和 V2 Small 一样，只认 Schema。

你不能直接告诉它：

“帮我提取标题。”

而需要提前定义字段：

{
  "title": {
    "type": "string"
  }
}

然后让模型按照结构返回结果。

好处是输出稳定。

字段缺失、类型错误、JSON 格式混乱这些问题会减少。

缺点也很明确。

网页结构变化，需要调整 Schema。

它不是一个可以自由交流的网页助手，而是一个结构化数据处理工具。

4. 相比 V1，Turbo 是初代 3B 的升级路线

Inference.net 已经退役初代 3B 和 8B。

原本调用 schematron-3b 的请求，会自动路由到 V2 Turbo。

变化比较直接：

速度：

• V1 3B：约 1.66 requests/sec
• V2 Turbo：4.14 requests/sec

质量：

• V1 3B：3.909
• V2 Turbo：4.039

同时价格也更低。

如果之前已经在使用初代 3B，升级到 Turbo 的收益比较明确。

但它不是 Small 的替代版本。

Small 更偏质量，Turbo 更偏规模化处理。

我会把 Schematron V2 Turbo 用在：

• 大规模网页抓取；
• 商品价格监控；
• 批量金融文档解析；
• HTML 转结构化数据。

这些任务需要的是稳定提取，而不是模型理解页面背后的含义。

我不会用它做：

• 内容总结；
• 页面价值判断；
• 复杂分析；
• 非结构化问答。

如果每天处理几十万甚至更多页面，Turbo 的速度和价格优势很明显。

如果只是偶尔提取几个网页，通用模型可能更方便。

对我来说，Turbo 是否值得用，判断标准很简单：

它有没有减少数据流水线里的等待时间和人工修复。

如果有，它值得留下。

如果最后还是需要大量检查结果，便宜的 API 价格也省不了多少。