当前位置：首页 > backend >正文

Qwen3 - 0.6B与Bert文本分类实验：深度见解与性能剖析

backend 2025/5/20 5:24:07

Changelog

[25/04/28] 新增Qwen3-0.6B在Ag_news数据集Zero-Shot的效果。新增Qwen3-0.6B线性层分类方法的效果。调整Bert训练参数（epoch、eval_steps），以实现更细致的观察，避免严重过拟合的情况。
TODO：
- 利用Qwen3-0.6B ppl、zero-shot筛选难样本，观察Qwen3-0.6B（SFT分类）在不同数据量级，不同数据难度情况下的性能变化。
- ppl筛选出的难样本对Qwen33-0.6B（SFT分类）Qwen3-0.6B（线性层分类）影响是否具有同质性。
- 不同尺寸模型Think与No Think状态下Zero-Shot能力变化。
- 使用大模型蒸馏Think数据，观察Think和No Think模式下对Qwen3-0.6B（SFT分类）性能的影响。
- 测试其他难开源分类数据集（更多分类数、多语言、长样本）。

前言

最近在知乎上刷到一个很有意思的提问Qwen3-0.6B这种小模型有什么实际意义和用途。查看了所有回答，有人提到小尺寸模型在边缘设备场景中的优势（低延迟）、也有人提出小模型只是为了开放给其他研究者验证scaling law（Qwen2.5系列丰富的模型尺寸为开源社区验证方法有效性提供了基础）、还有人说4B、7B的Few-Shot效果就已经很好了甚至直接调用更大的LLM也能很好的解决问题。让我比较感兴趣的是有大佬提出小模型在向量搜索、命名实体识别（NER）和文本分类领域中很能打，而另一个被拿来对比的就是Bert模型。在中文文本分类中，若对TextCNN、FastText效果不满意，可能会尝试Bert系列及其变种（RoBerta等）。但以中文语料为主的类Encoder-Only架构模型其实并不多（近期发布的ModernBERT，也是以英文和Code语料为主），中文文本分类还是大量使用bert-base-chinese为基础模型进行微调，而距Bert发布已经过去了6年。Decoder-Only架构的LLM能在文本分类中击败参数量更小的Bert吗？所以我准备做一个实验来验证一下。

不想看实验细节的，可以直接看最后的结论和实验局限性部分。

实验设置

GPU：RTX 3090（24G）
模型配置：

模型	参数量	训练方式
google-bert/bert-base-cased	0.1B	添加线性层，输出维度为分类数
Qwen/Qwen3-0.6B	0.6B	构造Prompt，SFT

数据集配置：fancyzhx/ag_news，分类数为4，分别为World（0）、Sports（1）、Business（2）、Sci/Tech（3）。训练样本数120000，测试样本数7600，样本数量绝对均衡。数据集展示：

{"text": "New iPad released Just like every other September, this one is no different. Apple is planning to release a bigger, heavier, fatter iPad that...""label": 3
}

选择该数据集是在Paper with code的Text Classification类中看到的榜单，并且该数据集元素基本上不超过510个token（以Bert Tokenizer计算）。因为Bert的最大输入长度是510个token，超过会进行截断，保留前510个token，所以为了进行公平的比较，尽量避免截断。
因为是多分类任务，我们以模型在测试集上的F1指标为标准，F1值越高，模型效果越好。

Bert训练细节

Bert的训练比较简单，将文本使用Tokenizer转换成input_ids后，使用Trainer进行正常训练即可。训练参数（若未单独指出，则代表使用Trainer默认值）：

参数名称	值
lr_scheduler_type（学习率衰减策略）	cosine
learning_rate（学习率）	1.0e-5
per_device_train_batch_size（训练batch_size）	64
gradient_accumulation_steps（梯度累积）	1
per_device_eval_batch_size（验证batch_size）	256
num_train_epochs（epoch）	3
weight_decay	1e-6
eval_steps（验证频率）	0.05

训练过程中模型对测试集的指标变化：

Step	Training Loss	Validation Loss	Accuracy	Precision	Recall	F1
282	0.274700	0.263394	0.909737	0.910311	0.909737	0.909676
564	0.207800	0.222230	0.922237	0.922701	0.922237	0.922246
846	0.199600	0.204222	0.931579	0.932552	0.931579	0.931510
1128	0.215600	0.191824	0.934605	0.935274	0.934605	0.934737
1410	0.190500	0.192846	0.932763	0.934421	0.932763	0.932937
1692	0.193300	0.180665	0.937895	0.938941	0.937895	0.937849
1974	0.143000	0.180497	0.940526	0.940945	0.940526	0.940636
2256	0.141500	0.177630	0.941711	0.941988	0.941711	0.941644
2538	0.147100	0.173602	0.943947	0.944022	0.943947	0.943908
2820	0.131600	0.176895	0.940658	0.941790	0.940658	0.940683
3102	0.152800	0.170928	0.945000	0.945140	0.945000	0.944925
3384	0.140000	0.169215	0.944474	0.944766	0.944474	0.944399
3666	0.149900	0.168865	0.944474	0.944538	0.944474	0.944483
3948	0.112000	0.172459	0.946184	0.946142	0.946184	0.946159
4230	0.124000	0.172826	0.945000	0.945254	0.945000	0.944924
4512	0.122300	0.171583	0.944737	0.944925	0.944737	0.944708
4794	0.104400	0.171969	0.944868	0.945059	0.944868	0.944854
5076	0.117500	0.171504	0.945395	0.945502	0.945395	0.945363
5358	0.099800	0.171761	0.945263	0.945510	0.945263	0.945232

可以看到Bert在测试集上最好结果是：0.945

Qwen3训练细节

使用Qwen3训练文本分类模型有2种方法。第1种是修改模型架构，将模型最后一层替换为输出维度为分类数的线性层。第2种是构造Prompt，以选择题的方式创建问答对，然后进行SFT训练。

线性层分类

与微调Bert类似，将文本使用Tokenizer转换成input_ids后，使用Trainer进行正常训练。训练参数（若未单独指出，则代表使用Trainer默认值）：

参数名称	值
lr_scheduler_type（学习率衰减策略）	cosine
learning_rate（学习率）	1.0e-5
per_device_train_batch_size（训练batch_size）	8
gradient_accumulation_steps（梯度累积）	8
per_device_eval_batch_size（验证batch_size）	16
num_train_epochs（epoch）	1
weight_decay	1.0e-6
eval_steps（验证频率）	0.05

训练过程中模型对测试集的指标变化：

Step	Training Loss	Validation Loss	Accuracy	Precision	Recall	F1
94	0.281800	0.243619	0.918158	0.918180	0.918158	0.917893
188	0.224100	0.220015	0.924211	0.925216	0.924211	0.924289
282	0.197700	0.236405	0.919211	0.920127	0.919211	0.919257
376	0.182800	0.243235	0.920132	0.925368	0.920132	0.919136
470	0.191500	0.207864	0.928289	0.929563	0.928289	0.928304
564	0.208400	0.192414	0.935658	0.935668	0.935658	0.935647
658	0.201900	0.191506	0.938553	0.938695	0.938553	0.938607
752	0.191900	0.179849	0.937500	0.937417	0.937500	0.937378
846	0.156100	0.177319	0.938684	0.938983	0.938684	0.938653
940	0.159900	0.177048	0.938289	0.939433	0.938289	0.938175
1034	0.159100	0.172280	0.943553	0.943725	0.943553	0.943455
1128	0.117000	0.168742	0.943026	0.942911	0.943026	0.942949
1222	0.151500	0.164628	0.943421	0.944371	0.943421	0.943503
1316	0.143600	0.158676	0.945921	0.946856	0.945921	0.945965
1410	0.183200	0.154356	0.946184	0.946708	0.946184	0.946221
1504	0.159400	0.153549	0.947763	0.947847	0.947763	0.947771
1598	0.147100	0.152530	0.948553	0.948609	0.948553	0.948539
1692	0.161400	0.151299	0.949079	0.949216	0.949079	0.949029
1786	0.150500	0.151270	0.948421	0.948572	0.948421	0.948363

可以看到使用线性层分类的Qwen3-0.6B在测试集上最好结果是：0.949

SFT分类

我们先基于数据集写一个选择题形式的Prompt，Prompt模板为：

prompt = """Please read the following news article and determine its category from the options below.Article:
{news_article}Question: What is the most appropriate category for this news article?
A. World
B. Sports
C. Business
D. Science/TechnologyAnswer:/no_think"""answer = "<think>\n\n</think>\n\n{answer_text}"

news_article为新闻文本，answer_text表示标签。
先测试一下Qwen3-0.6B在测试集上思考和非思考模式下的zero-shot能力（准确率）。为获得稳定的结果，非思考模式使用手动拼接选项计算ppl，ppl最低的选项为模型答案。思考模式取<think>...</think>后的第一个选项。结果如下：

模型	思考	非思考
Qwen3-0.6B	0.7997	0.7898

训练框架使用LLama Factory，Prompt模板与上文一致。
因为Qwen3为混合推理模型，所以对非推理问答对要在模板最后加上/no_think标识符（以避免失去推理能力），并且回答要在前面加上<think>\n\n</think>\n\n。
按照LLama Factory SFT训练数据的格式要求组织数据，如：

{'instruction': "Please read the following news article and determine its category from the options below.\n\nArticle:\nWall St. Bears Claw Back Into the Black (Reuters) Reuters - Short-sellers, Wall Street's dwindling\\band of ultra-cynics, are seeing green again.\n\nQuestion: What is the most appropriate category for this news article?\nA. World\nB. Sports\nC. Business\nD. Science/Technology\n\nAnswer:/no_think",'output': '<think>\n\n</think>\n\nC'
}

训练参数配置文件：

### model
model_name_or_path: model/Qwen3-0.6B### method
stage: sft
do_train: true
finetuning_type: full### dataset
dataset: agnews_train
template: qwen3
cutoff_len: 512overwrite_cache: true
preprocessing_num_workers: 8### output
output_dir: Qwen3-0.6B-Agnews
save_strategy: steps
logging_strategy: steps
logging_steps: 0.01
save_steps: 0.2
plot_loss: true
report_to: tensorboard
overwrite_output_dir: true### train
per_device_train_batch_size: 12
gradient_accumulation_steps: 8
learning_rate: 1.2e-5
warmup_ratio: 0.01
num_train_epochs: 1
lr_scheduler_type: cosine
bf16: true

因为Bert在训练2个epoch后就出现了严重的过拟合，所以对Qwen3模型，只训练1个epoch，每0.2个epoch保存一个检查点。
训练过程中模型对测试集的指标变化（训练结束后加载检查点对测试集进行推理，注意！为保证推理结果稳定，我们选择选项ppl低的作为预测结果）：

Step	Training Loss	Accuracy	Precision	Recall	F1
250	0.026	0.912	0.917	0.912	0.912
500	0.027	0.924	0.924	0.924	0.924
750	0.022	0.937	0.937	0.937	0.937
1000	0.022	0.941	0.941	0.941	0.941
1250	0.023	0.940	0.940	0.940	0.940

可以看到Qwen3-0.6B模型Loss在一开始就急速下降，然后开始抖动的缓慢下降，如下图（纵轴范围调整0.05~0.015）。在测试集上最好结果是：0.941。

Bert和Qwen3-0.6B训练耗时

模型	Epoch	训练耗时	推理耗时	总耗时
Bert	3	35 min	-	0.58 h
Qwen3-0.6B（线性层分类）	1	52 min	-	0.86 h
Qwen3-0.6B（SFT分类）	1	62 min	30 min	1.5 h

Bert和Qwen3-0.6B RPS测试

为测试Bert和Qwen3-0.6B是否满足实时业务场景，对微调后的Bert和Qwen3-0.6B进行RPS测试，GPU为RTX 3090（24G）：

模型	推理引擎	最大输出Token数	RPS
Bert	HF	-	60.3
Qwen3-0.6B（SFT分类）	HF	8	13.2
Qwen3-0.6B（SFT分类）	VLLM	8	27.1
Qwen3-0.6B（线性层分类）	HF	-	38.1

结论

在Ag_new数据集上，各模型效果：Qwen3-0.6B（线性层分类）> Bert > Qwen3-0.6B（SFT分类）> Qwen3-0.6B（Think Zero-Shot）> Qwen3-0.6B（No Think Zero-Shot）。
各模型训练推理耗时： Qwen3-0.6B（SFT分类）> Bert > Qwen3-0.6B（线性层分类）。
各模型RPS：Bert > Qwen3-0.6B（线性层分类） > Qwen3-0.6B（SFT分类）。
Think模式下的Qwen3-0.6B比No Think模式下的Qwen3-0.6B准确率仅高出1%，推理时间比No Think慢20倍（HF推理引擎，Batch推理）。
在训练Qwen3-0.6B（线性层分类）时，Loss在前期有点抖动，或许微调一下学习率预热比率会对最终结果有微弱正向效果。

实验局限性

未实验在Think模式下Qwen3-0.6B的效果（使用GRPO直接训练0.6B的模型估计是不太行的，可能还是先使用较大的模型蒸馏出Think数据，然后再进行SFT。或者先拿出一部分数据做SFT，然后再进行GRPO训练（冷启动））。
未考虑到长序列文本如token数（以Bert Tokenizer为标准）超过1024的文本。
也许因为AgNews分类任务比较简单，其实不管是Bert还是Qwen3-0.6B在F1超过0.94的情况下，都是可用的状态。Bert（F1：0.945）和Qwen3-0.6B线性层分类（F1：0.949）的差距并不明显。如果大家有更好的开源数据集可以用于测试，也欢迎提出。
未测试两模型在中文文本分类任务中的表现。