Характеристики

Контекст: 514 токенов
Параметры: 152 млн
Лицензия: MIT
Архитектура: roberta · dense
Базовая модель: twitter-roberta-base
Опубликована: 14 июн 2026

Ссылки

twitter-roberta-base-tweeteval-sentiment

Классификация текстаТекст → label3 профессии

Англоязычная RoBERTa классифицирует тональность сообщений в социальных сетях как негативную, нейтральную или позитивную.

11скачиваний 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

Модель Ido-shraga/twitter-roberta-base-tweeteval-sentiment — англоязычный классификатор тональности сообщений в социальных сетях, созданный дообучением RoBERTa на наборе TweetEval. Она относит текст к одному из трёх классов: негативному, нейтральному или позитивному. Модель содержит 151,8 млн параметров, построена на архитектуре RoBERTa и принимает последовательности длиной до 514 токенов.

Модель подходит для анализа тональности твитов, коротких публикаций и других сообщений на английском языке. В тесте TweetEval авторы README сообщают точность и Macro-F1 0,7155; доменное предобучение на твитах дало преимущество перед упомянутой в README DistilBERT, при этом увеличивает стоимость инференса. Лицензия модели — MIT.

Сценарии применения

Определение тональности твитов
Разметка коротких публикаций по тональности
Подсчёт доли позитивных и негативных сообщений в соцсетях
Мониторинг реакции аудитории на публикации

Ограничения

Модель рассчитана на английские сообщения и ограничена тремя классами тональности. На тесте TweetEval точность и Macro-F1 составили 0,7155, поэтому предсказания могут быть ошибочными.

Для каких профессий подходит3

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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

twitter-roberta-base → TweetEval Sentiment

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

Base model: cardiffnlp/twitter-roberta-base (~125M, RoBERTa pretrained on tweets)
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	0.7155
Macro-F1	0.7155
Macro-Recall	0.7268
Speed (T4)	~1600 tweets/s

Comparison vs distilbert-base

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

Domain pretraining on tweets gives +2.7 pts accuracy / +2.8 pts macro-F1 over generic DistilBERT, at ~1.8× the inference cost.

Usage

from transformers import pipeline
clf = pipeline("text-classification", model="Ido-shraga/twitter-roberta-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: RobertaForSequenceClassification
Ревизия весов: c5c1878