Email sorter
быстрая локальная модель для фильтрации входящей почты на CPU
2 мин чтенияобновлено
Email sorter — это компактная модель весом 157 МБ на базе intfloat/multilingual-e5-small, созданная для фильтрации нежелательных писем и холодных рассылок прямо на вашем устройстве. Вы задаете фильтр простыми словами (например, «продающие рассылки от агентств» или «подтверждения поездок»), а модель оценивает вероятность принадлежности входящего письма к этой категории. Решение работает локально на процессоре любого ноутбука за десятую долю секунды, полностью сохраняя конфиденциальность вашей переписки. Модель не генерирует текст, выступая исключительно в роли классификатора, что исключает любые попытки обмануть её через содержимое письма.
Ключевые особенности
- Высокая скорость: обрабатывает одно письмо примерно за 0.1–0.2 секунды на обычном CPU.
- Минимальный вес: размер модели составляет всего 157 МБ, а потребление памяти во время работы не превышает 0.5 ГБ.
- Полная конфиденциальность: все вычисления происходят локально на вашем компьютере, данные никуда не отправляются.
- Высокая точность: на слепом тесте из 200 писем модель показала лучшие результаты, чем 4-гигабайтные языковые модели.
Что можно сделать
- Интеграция в почтовый клиент: настроить автоматическую фильтрацию входящих писем по собственным текстовым описаниям.
- Запуск через Python: использовать класс
EmailSorterиз репозитория для классификации писем в собственных скриптах. - Интеграция на Rust: использовать нативный рантайм на базе библиотеки candle без необходимости установки тяжелых библиотек или GPU.
Пример
from sorter import EmailSorter
sorter = EmailSorter.from_pretrained("YCorpLabs/email-sorter")
filters = [
"Unsolicited sales pitches: a stranger offering their own service or product. "
"Agencies, dev shops, SEO, lead generation, recruiters offering candidates.",
"Newsletters, digests and blog posts I subscribed to.",
]
email = """From: Ravi Menon
Subject: Quick question about your roadmap
Hi Alex, we're a 40-person studio that has shipped desktop apps and could take
a mobile client off your plate. Open to a 15-minute call next week?"""
print(sorter.score(filters, email)) # about [0.96, 0.02]Подробнее
• Архитектура:intfloat/multilingual-e5-small (118 млн параметров, 12 слоев), дообученная как кросс-энкодер.• Бенчмарки: 186/200 правильных ответов на слепом тесте против 154/200 у Qwen3 4B.
• Требования к железу: запуск на CPU, потребление VRAM/RAM около 0.5 ГБ.
• Обучение: около 2,900 синтетических писем на английском, норвежском, немецком, испанском и других языках.
• Лицензия: MIT.










Комментарии