К содержимому
Языковые модели

BERT-Sentiment_Classifier

классификатор тональности отзывов на 3 класса

2 мин чтенияобновлено

Модель определяет эмоциональную окраску англоязычных отзывов и делит их на три категории: негативные, нейтральные и позитивные. Она представляет собой файнтюн (дообучение под конкретную задачу) классической архитектуры google-bert/bert-base-uncased, выполненный на сбалансированной выборке из датасета Yelp Review Full. В отличие от простых бинарных классификаторов, модель выделяет средний нейтральный класс, что помогает отсеивать неоднозначные оценки. Инструмент пригодится разработчикам для прототипирования систем анализа обратной связи на английском языке и в учебных проектах по NLP.

Ключевые особенности

  • Разделяет текст на три класса: Negative (1–2 звезды), Neutral (3 звезды) и Positive (4–5 звёзд).
  • Полное дообучение как энкодера BERT, так и классификационной головы с выбором лучшего чекпоинта по метрике Macro F1.
  • Обучена на очищенной стратифицированной выборке из 15 000 отзывов Yelp без дубликатов и пересечений с тестовым набором.
  • Легко запускается через стандартный pipeline библиотеки transformers без сложной настройки.

Что можно сделать

  • Встроить в бэкенд или скрипт для автоматической сортировки англоязычных отзывов клиентов по тональности.
  • Использовать как готовый бэкенд для интерактивного демо-приложения на базе Streamlit (автор приложил исходники в GitHub).
  • Взять за основу или бейзлайн в учебных проектах по классификации текстов и обработке естественного языка.

Пример

from transformers import pipeline

classifier = pipeline("text-classification", model="godlykmathews/BERT-Sentiment_Classifier")
review = "The food was wonderful and the service was excellent!"
result = classifier(review, truncation=True, max_length=128)
print(result)
ПодробнееМетрики на тесте (3 000 отзывов): Accuracy — 0.7740, Weighted F1 — 0.7734, Macro F1 — 0.7278.
Лучше всего распознаёт позитив (F1 0.8485) и негатив (F1 0.8352), нейтральный класс даётся сложнее (F1 0.4996).
Ограничения: только английский язык, максимальная длина текста — 128 токенов, возможны ошибки на сарказме и смешанных мнениях.
Обучение: 3 эпохи, AdamW, lr 2e-5, эффективный батч 16, случайное зерно 42.
Обсудить Telegram 0

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # godlykmathews/BERT-Sentiment_Classifier
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download godlykmathews/BERT-Sentiment_Classifier --local-dir ~/models/BERT-Sentiment_Classifier
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к BERT-Sentiment_Classifier
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Новые посты про версии BERT-Sentiment_Classifier — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

godlykmathews/BERT-Sentiment_Classifier
Автор
godlykmathews
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии