用 HF Jobs 花约1.5美元微调 GLiNER2，为 Hub 数据集自动推荐任务标签
RT @vanstriendaniel：在 @huggingface Jobs 上花约 1.50 美元训练了一个 Jev 风格的分类器。
这是一个 194M 的 GLiNER2 模型，能根据任意 Hub 数据集的列名和首行，为其推荐任务标签，并返回标签及对应概率。
零样本情况下，GLiNER2 给出的第一个建议与数据集所有者标签的匹配率只有 10%。经过 17 分钟微调后：提升到 69%。微调后的模型在免费 CPU 上运行，大约一秒出结果。
所有者的标签本身就很杂乱，所以有些“错误”答案其实是所有者自己漏掉的标签。
这套配方是公开的：一条 hf jobs 命令就能在你自己的标签上训练同类模型。README 中的示例（书名）约 2 分钟跑完，成本约 0.02 美元。
Demo：https://t.co/ujlYD3lWrX
Recipe：https://t.co/kOspDsrTsJ
这是一个 194M 的 GLiNER2 模型，能根据任意 Hub 数据集的列名和首行，为其推荐任务标签，并返回标签及对应概率。
零样本情况下，GLiNER2 给出的第一个建议与数据集所有者标签的匹配率只有 10%。经过 17 分钟微调后：提升到 69%。微调后的模型在免费 CPU 上运行，大约一秒出结果。
所有者的标签本身就很杂乱，所以有些“错误”答案其实是所有者自己漏掉的标签。
这套配方是公开的：一条 hf jobs 命令就能在你自己的标签上训练同类模型。README 中的示例（书名）约 2 分钟跑完，成本约 0.02 美元。
Demo：https://t.co/ujlYD3lWrX
Recipe：https://t.co/kOspDsrTsJ