К содержимому
Языковые модели

MediaPipe-TextClassifier-AverageWord

ультрабыстрый классификатор тональности

2 мин чтенияобновлено

Компактная англоязычная модель на базе архитектуры average word embedding (усреднённые векторные представления слов), упакованная в файл формата .tflite размером всего 776 КБ. Она обучена на датасете кинорецензий SST-2 и предназначена для бинарной оценки тональности текста (определение позитивных и негативных отзывов). Модель разработана для экосистемы Google MediaPipe и может работать прямо на мобильных устройствах или в браузере. Она отлично подойдёт разработчикам, которым нужно быстро и без тяжелых нейросетей встроить анализ настроения в мобильное, веб- или десктопное приложение.

Ключевые особенности

  • Миниатюрный размер: Вес модели составляет всего 776 КБ (формат FP32), что позволяет легко встраивать её в клиентские приложения.
  • Высокая скорость работы: На устройстве Google Pixel 6 средняя задержка процессора составляет всего 0.14 мс.
  • Встроенные метаданные: Внутри TFLITE_METADATA уже упакованы словарь на 10,003 токена (vocab.txt) и файл меток (labels.txt).
  • Кроссплатформенность: Полная поддержка через фреймворк MediaPipe для Python, JavaScript, Android, iOS и Flutter.

Что можно сделать

  • Интеграция в мобильное приложение: Быстро оценивать тональность пользовательских отзывов или сообщений локально на Android или iOS.
  • Веб-анализ в браузере: Обрабатывать короткий пользовательский ввод прямо на стороне клиента без отправки запросов на сервер.
  • Анализ текста на Python: Быстро классифицировать отзывы, комментарии или короткие текстовые сниппеты в скриптах.

Пример

Пример кода для классификации текста с помощью Python и библиотеки mediapipe:

import mediapipe as mp
from huggingface_hub import hf_hub_download

model_path = hf_hub_download(repo_id="litert-community/MediaPipe-TextClassifier-AverageWord", filename="average_word_classifier.tflite")

BaseOptions = mp.tasks.BaseOptions
TextClassifier = mp.tasks.text.TextClassifier
TextClassifierOptions = mp.tasks.text.TextClassifierOptions

options = TextClassifierOptions(base_options=BaseOptions(model_asset_path=model_path))
with TextClassifier.create_from_options(options) as classifier:
    result = classifier.classify("An unforgettable and genuinely moving film!")
    for cat in result.classifications[0].categories:
        print(f"{cat.category_name}: {cat.score:.3f}")
ПодробнееБенчмарки: CPU latency на Pixel 6 — 0.14 ms
Требования к железу: ультралёгкая модель для запуска на CPU мобильных устройств и ПК
Ограничения: только английский язык; возможна деградация точности на досках объявлений, сарказме или длинных многопредложенческих текстах
Лицензия: Apache-2.0
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.

    # litert-community/MediaPipe-TextClassifier-AverageWord
    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 litert-community/MediaPipe-TextClassifier-AverageWord --local-dir ~/models/MediaPipe-TextClassifier-AverageWord
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к MediaPipe-TextClassifier-AverageWord
  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 MediaPipe-TextClassifier-AverageWord — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

litert-community/MediaPipe-TextClassifier-AverageWord
Автор
litert-community
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

Языковые модели

United 2nd

United 2nd
Языковые модели

QueryLM 3.3B

QueryLM 3.3B
Языковые модели

KavyaBot-v1

KavyaBot-v1