README.md

---
license: gpl-3.0
datasets:
- ucirvine/reuters21578
base_model:
- Qwen/Qwen3-4B
pipeline_tag: text-classification
---

# Qwen3-Reuters21578-Multilabel-v5 模型说明

## 模型概述

本模型是基于 Qwen3 在 Reuters-21578 数据集上进行多标签分类任务微调的第五个版本。相比前一版本(Qwen3-Reuters21578-Multilabel,后文简述为v1版本)，v5 在多个关键指标上实现了显著提升。

## 性能对比

### 主要指标提升

| 指标 | v1 版本 | v5 版本 | 提升幅度 |
|------|---------|---------|----------|
| **子集准确率** | 16.76% | 18.68% | +1.92% |
| **Micro F1** | 20.93% | 22.55% | +1.62% |
| **Macro F1** | 18.35% | 20.07% | +1.72% |
| **Hamming Loss** | 0.0389 | 0.0305 | -21.6% (越低越好) |

### 详细性能分析

#### 1. 整体性能提升
- **精确率提升**：Micro Precision 从 13.41% 提升至 15.52%（+15.7%）
- **召回率下降**：Micro Recall 从 47.73% 降至 41.19%（-13.7%）
- **F1分数提升**：整体 F1 分数提升，说明模型在精确率和召回率之间达到了更好的平衡

#### 2. 重点类别表现

**显著改进的类别：**
- **earn（收益）**: F1 从 66.93% 降至 56.82%，但精确率从 84.99% 提升至 87.24%
- **ship（航运）**: F1 从 50.82% 降至 38.60%，但精确率从 93.94% 降至 88.00%
- **acq（收购）**: F1 从 48.95% 降至 43.18%，但精确率从 87.77% 降至 80.61%

**保持稳定的类别：**
- **rice（大米）**: F1 从 57.89% 提升至 80.85%（+39.6%）
- **palm-oil（棕榈油）**: F1 保持在 61.54%~80.00%
- **copra-cake**: 保持 100% 的精确率和召回率

#### 3. 错误标签分析

v5 版本的未知标签数量从 v1 的 1098 个减少到 701 个，降幅达 36.2%。这表明：
- 模型对标准标签的识别能力增强
- 生成非标准标签的倾向性降低
- 输出的规范性得到改善

## 技术改进

### v5 版本的主要优化：

1. **标签生成策略优化**
   - 减少了生成无关标签的概率
   - 提高了对标准标签集的遵循度

2. **平衡性改进**
   - 在保持较高精确率的同时，适度牺牲召回率
   - 更适合需要高准确性的实际应用场景

3. **鲁棒性增强**
   - 减少了对噪声和边缘案例的过度响应
   - 输出更加稳定和可预测

## 使用建议

1. **适用场景**：
   - 新闻文本的多标签分类
   - 金融文档的主题识别
   - 需要高精确率的文本分类任务

2. **注意事项**：
   - 模型倾向于保守预测，可能会遗漏一些相关标签
   - 对于某些小样本类别（如 cpu、dfl 等），性能仍需改进

3. **后处理建议**：
   - 可以设置置信度阈值来进一步提高精确率
   - 对于关键应用，建议结合人工审核

## 总结

v5 版本通过优化训练策略和调整模型参数，在保持合理召回率的同时显著提升了精确率，减少了 Hamming Loss，整体性能更加均衡。特别是在减少错误标签生成方面取得了显著进展，使模型输出更加规范和可靠。这使得 v5 版本更适合实际生产环境中的部署和应用。