Lixpr/bert-disaster-tweets

BERT 灾难推文二分类

课程实验模型。0 = 非灾难表达，1 = 灾难事件描述。模型不提供事实核查、灾害预警或应急决策。

训练与评估

输入数据来自 Kaggle Disaster Tweets 的公开镜像 venetis/disaster_tweets。 原始7613条；删除56条冲突标签记录和74条重复记录，剩余7483条。 规范化精确去重后按标签分层划分：训练5238、验证1122、测试1123。 固定随机种子20261029。最大长度96，batch=8，梯度累积2，AdamW lr=2e-5，weight decay=0.01，FP16，3轮，按验证F1选择检查点。

测试集（未经阈值调优，threshold=0.5）：Accuracy=0.832591，F1=0.796976，ROC AUC=0.895227。

浏览器与CPU部署

onnx/model_quantized.onnx 为INT8动态量化模型，约110MB。 量化F1=0.797765，与PyTorch预测一致率=0.968833。 量化不是逐样本无损转换；完整验证记录见 export_verification.json。 默认公开仓库提供浏览器用ONNX与配置。完整FP32 PyTorch检查点保留在本地课程项目的 models/bert-disaster-tweets/；需要时可使用发布脚本的 --include-pytorch 选项另行上传。

在线演示：https://huggingface.co/spaces/Lixpr/disaster-tweets-demo

局限

单次随机种子、单个自建留出集；可能存在近义文本或事件级泄漏。 比喻、歌词、玩笑、上下文不足及数据集标注争议会导致误判。 仅用于英语文本课程实验。用户应自行复核预测，概率不是事实发生概率。

来源

• BERT: https://huggingface.co/google-bert/bert-base-uncased
• Dataset mirror: https://huggingface.co/datasets/venetis/disaster_tweets
• Original competition: https://www.kaggle.com/competitions/nlp-getting-started