Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Опубликована: 14 июн 2026

Ссылки

distilbert-base-tweeteval-sentiment

Классификация текстаТекст → label4 профессии

Компактная англоязычная модель на базе DistilBERT классифицирует тональность сообщений из социальных сетей как негативную, нейтральную или позитивную.

28скачиваний за 30 дней0лайковвеса обновлены15 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Ido-shraga/distilbert-base-tweeteval-sentiment — англоязычная модель классификации тональности коротких сообщений в социальных сетях, разработанная автором репозитория и дообученная на DistilBERT. Она относит текст к одному из трёх классов: негативному, нейтральному или позитивному. Модель основана на distilbert/distilbert-base-uncased, содержит около 67 млн параметров и принимает текст длиной до 512 токенов; в обучении использовались сообщения из набора TweetEval, ограничение длины при обучении составляло 128 токенов.

Модель подходит для анализа тональности твитов и потоковой обработки пользовательских публикаций, когда важна высокая пропускная способность. На тестовой части TweetEval указаны accuracy 0,6888 и macro-F1 0,6877; в сравнении с twitter-roberta-base автор сообщает примерно в 1,8 раза более быстрый вывод при меньшем размере, но с несколько меньшей точностью. Лицензия — Apache-2.0.

Сценарии применения

Определение тональности твитов
Разметка публикаций в соцсетях на негативные, нейтральные и позитивные
Высокопроизводительный анализ тональности потока коротких сообщений

Ограничения

На тестовой части TweetEval accuracy составляет 0,6888, а macro-F1 — 0,6877; модель может ошибаться при определении тональности. Она обучена на англоязычных твитах, поэтому её пригодность для других языков и типов текста не подтверждена.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-base → TweetEval Sentiment

Small, fast LLM fine-tuned for social-media (tweet) sentiment analysis. 3 classes: negative / neutral / positive.

Base model: distilbert/distilbert-base-uncased (~67M, generic)
Dataset: cardiffnlp/tweet_eval (sentiment config, 45.6K train)
Training: 3 epochs, lr 2e-5, batch 32, max_len 128, warmup 0.1, weight decay 0.01

Test-set results (TweetEval sentiment, 12,284 tweets)

Metric	Score
Accuracy	0.6888
Macro-F1	0.6877
Macro-Recall	0.6978
Speed (T4)	~2897 tweets/s

Comparison vs twitter-roberta-base

Model	Size	Accuracy	Macro-F1	tweets/s
twitter-roberta-base	125M	0.7155	0.7155	1600
distilbert-base (this)	67M	0.6888	0.6877	2897

This model trades ~2.7 pts accuracy for ~1.8× faster inference and half the size — a good fit for high-throughput or edge deployment.

Usage

from transformers import pipeline
clf = pipeline("text-classification", model="Ido-shraga/distilbert-base-tweeteval-sentiment")
clf("I can't believe how good this is 🔥")

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForSequenceClassification
Ревизия весов: 1ca5035