Модель GoodJob (объёмом 110 млн параметров, созданная на базе bert-base-uncased) предназначена для анализа постов из Twitter/X или LinkedIn. Она оснащена двумя классификационными головами: первая определяет тип публикации (от профильных вакансий в сфере AI/ML до не имеющих отношения к работе постов), а вторая оценивает поведение автора (обычный аккаунт или канал с вакансиями). Инструмент полезен для построения конвейеров сбора данных, фильтрации шума и поиска реальных предложений о работе.
Ключевые особенности
Две классификационные головки для одновременного анализа типа поста и типа аккаунта.
Точное разделение на категории: ML Job, Job, Other и Not Job.
Поведенческий анализ аккаунтов для выявления источников массовой публикации вакансий.
Интеграция с библиотекой transformers для быстрого запуска кода.
Что можно сделать
Настроить автоматический сбор и фильтрацию вакансий для дайджестов или агрегаторов.
Очистить ленты соцсетей от информационного шума перед анализом рынка труда.
Автоматизировать поиск релевантных заказов и проектов для разработчиков.
Пример
from transformers import AutoModelForSequenceClassification
model = AutoModelForSequenceClassification.from_pretrained(
"SpiderHomie/goodjob",
trust_remote_code=True,
)
# Анализ одного поста
model.predict("We're hiring an ML engineer, DM me")
ПодробнееБенчмарки (тестовый сплит на 483 поста): точность головы типов (type head accuracy) — 0.872, макро-F1 — 0.854; макро-F1 для головы аккаунтов (board head) — 0.736. Требования к железу: стандартная конфигурация для моделей семейства BERT (около 110M параметров), поддержка device="auto". Ограничения: максимальная длина текста (max_length) составляет 256 токенов; модель обучена на специфической выборке из Twitter/X и LinkedIn и не предназначена для принятия кадровых решений.
Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.
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.
# SpiderHomie/goodjob — A30, FP8 / INT8
# Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
. /etc/os-release && \
curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
sudo apt-get update && \
sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
{ echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
exit 0
fi
curl -LsSf https://astral.sh/uv/install.sh | sh
source "$HOME/.local/bin/env"
uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
uv pip install vllm
vllm serve SpiderHomie/goodjob --max-model-len 8192 --quantization fp8
Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.
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.
Комментарии