/ Модель

Характеристики

Контекст
512 токенов
Параметры
129 млн
Лицензия
MIT
Архитектура
bert · dense
Базовая модель
chinese-macbert-base
Опубликована
22 янв 2026

vad-macbert

Классификация текстаТекст → label3 профессии

Модель оценивает китайский текст по трём непрерывным эмоциональным измерениям: валентности, возбуждению и доминированию.

62скачиваний за 30 дней2лайкавеса обновлены22 янв 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

Pectics разработала vad-macbert — модель регрессии для оценки китайского текста по трём измерениям VAD: валентности, возбуждению и доминированию. Она дообучена на базе hfl/chinese-macbert-base и использует архитектуру BERT с головой классификации последовательностей, настроенной на три непрерывных значения. Размер модели — 129,5 млн параметров, максимальная длина контекста — 512 токенов.

Модель предназначена для оценки эмоциональной окраски китайских реплик, например при анализе диалогов и субтитров. Обучающие метки получены от англоязычной модели RobroKools/vad-bert и перенесены на китайские тексты из параллельного корпуса OpenSubtitles. В README приведены результаты оценки на подготовленных выборках; на длинных текстах модель также проверялась, но примеры длиной более 400 символов представлены недостаточно для надёжной оценки.

Модель распространяется под лицензией MIT. Её оценки наследуют возможные смещения англоязычной модели-разметчика и погрешности параллельного выравнивания; корпус субтитров содержит переводные артефакты, а очистка не устраняет весь форматный шум.

Сценарии применения

  • оценка эмоциональной окраски китайских реплик
  • анализ эмоциональной динамики диалогов на китайском языке
  • измерение валентности, возбуждения и доминирования в субтитрах
  • сравнение эмоциональных характеристик коротких китайских текстов

Ограничения

Метки перенесены с английской модели-разметчика на китайские тексты через параллельное выравнивание, поэтому могут отражать смещения учителя и не совпадать с оценками носителей китайского языка. Крайне длинные тексты представлены недостаточно, а очистка субтитров не устраняет все переводные и форматные артефакты.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

The model predicts 3 continuous values aligned to the VAD scale produced by RobroKools/vad-bert (teacher model).

Quickstart

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model_path = "Pectics/vad-macbert"
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForSequenceClassification.from_pretrained(model_path)
model.eval()

text = "这部电影让我很感动。"
inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True, max_length=128)
with torch.no_grad():
    outputs = model(**inputs)
vad = outputs.logits.squeeze().tolist()
print("VAD:", vad)

Model Details

  • Base model: hfl/chinese-macbert-base
  • Task: VAD regression (3 outputs: valence, arousal, dominance)
  • Head: AutoModelForSequenceClassification with num_labels=3, problem_type=regression

Data Sources & Labeling

en-zh_cn_vad_clean.csv

  • Source: OpenSubtitles EN-ZH parallel corpus.
  • Labeling: English side fed into RobroKools/vad-bert to obtain VAD values, then assigned to the paired Chinese text.

en-zh_cn_vad_long.csv

  • Derived from en-zh_cn_vad_clean.csv by filtering for longer texts using a length threshold (original threshold was not recorded).
  • Inferred from statistics: minimum length is 32 characters, so the filter likely kept samples with length >= 32 chars.

en-zh_cn_vad_long_clean.csv

  • Cleaned from en-zh_cn_vad_long.csv by removing subtitle formatting noise:
    • ASS/SSA tag blocks like {\\fs..\\pos(..)} (including broken { blocks)
    • HTML-like tags (e.g. <i>...</i>)
    • Escape codes like \\N, \\n, \\h, \\t
    • Extra whitespace normalization
  • Non-CJK rows were dropped.

en-zh_cn_vad_mix.csv

  • Mixed dataset created for replay training:
    • 200k samples from en-zh_cn_vad_clean.csv
    • 200k samples from en-zh_cn_vad_long_clean.csv
    • Shuffled after sampling

Training Summary

The final model (vad-macbert-mix/best) was obtained in three stages:

  1. Base training on en-zh_cn_vad_clean.csv
  2. Long-text adaptation on en-zh_cn_vad_long_clean.csv
  3. Replay mix on en-zh_cn_vad_mix.csv (resume from stage 2)

Final-stage Command (Replay Mix)

--model_name hfl/chinese-macbert-base
--output_dir train/vad-macbert-mix
--data_path train/en-zh_cn_vad_mix.csv
--epochs 4
--batch_size 32
--grad_accum_steps 4
--learning_rate 0.00001
--weight_decay 0.01
--warmup_ratio 0.1
--warmup_steps 0
--max_length 512
--eval_ratio 0.01
--eval_every 100
--eval_batches 200
--loss huber
--huber_delta 1.0
--shuffle_buffer 4096
--min_chars 2
--save_every 100
--log_every 1
--max_steps 5000
--seed 42
--dtype fp16
--num_rows 400000
--resume_from train/vad-macbert-long/best
--encoding utf-8

Training environment (conda llm):

  • Python 3.10.19
  • torch 2.9.1+cu130
  • transformers 4.57.6

Evaluation

Benchmark script: train/vad_benchmark.py

  • Evaluation uses a fixed stride derived from eval_ratio=0.01 (roughly 1 out of 100 samples).
  • Length buckets by character count: 0–20, 20–40, 40–80, 80–120, 120–200, 200–400, 400+

Results (vad-macbert-mix/best)

en-zh_cn_vad_clean.csv

  • mse_mean=0.043734
  • mae_mean=0.149322
  • pearson_mean=0.7335

en-zh_cn_vad_long_clean.csv

  • mse_mean=0.031895
  • mae_mean=0.131320
  • pearson_mean=0.7565

Notes:

  • 400+ bucket Pearson is unstable due to small sample size; interpret with care.

Limitations

  • Labels are derived from an English VAD teacher and transferred via parallel alignment, so they reflect the teacher’s bias and may not match human Chinese annotations.
  • Subtitle corpora include translation artifacts and formatting noise; cleaned versions mitigate but do not fully remove this.
  • Extreme-length sentences are under-represented; performance on 400+ chars is not reliable.

Files in This Repo

  • config.json
  • model.safetensors
  • tokenizer.json, tokenizer_config.json, special_tokens_map.json, vocab.txt
  • training_args.json

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
BertForSequenceClassification
Ревизия весов
c795015

0 моделей