Nôm Labby Twohearts Technologies
Về nghiên cứu GoiBERT

HƯỚNG DẪN CHO LẬP TRÌNH VIÊN

Phân loại văn bản tiếng Việt với GoiBERT: cần đánh giá gì trước khi tinh chỉnh?

7 tháng 11 năm 2026

GoiBERT nhận văn bản tiếng Việt nguyên bản, không cần bước tách từ riêng. Các bản phát hành là bộ mã hoá sau giai đoạn 1, chưa có lớp dự đoán cho tác vụ cụ thể. Để phân loại dữ liệu của mình, bạn cần dữ liệu gán nhãn, lớp phân loại và bước huấn luyện theo bài toán. Chi tiết bản phát hành.

01 / BÀI TOÁN

Xác định quyết định cần hỗ trợ

Phân luồng yêu cầu hỗ trợ hoặc phân tích đánh giá khách hàng là những hướng có thể thử nghiệm, chưa phải ứng dụng đã được kiểm chứng. Hãy định nghĩa nhãn và hành động sau mỗi dự đoán. Câu “Món ngon nhưng giao chậm” vừa khen vừa chê: bạn cần cảm xúc chung, nhiều chủ đề hay cảm xúc theo từng khía cạnh?

02 / CHỌN MÔ HÌNH

Chọn mô hình để thử

GoiBERT-S (Small) có 26,4 triệu tham số; GoiBERT-M (Medium) có 49,4 triệu. Nếu bộ nhớ hạn chế, thử S trước rồi so sánh với M trong cùng điều kiện. Chọn theo chất lượng và tài nguyên đo được.

Cả hai thẻ mô hình đều khuyến nghị độ dài đầu vào 256 token. Đo tỷ lệ văn bản dài hơn mức này và kiểm tra nội dung bị cắt. Khả năng nhận văn bản nguyên bản chưa chứng minh độ tin cậy với phương ngữ, chữ không dấu hay lĩnh vực mới.

03 / ĐÁNH GIÁ

Thiết kế phép đánh giá công bằng

Giữ các hội thoại liên quan và đánh giá trùng lặp trong cùng một tập dữ liệu. Dành riêng tập kiểm thử trước khi tinh chỉnh. So sánh với phương pháp đơn giản như TF-IDF kết hợp hồi quy logistic và một bộ mã hoá tiếng Việt phù hợp; dùng cùng nhãn, cách chia dữ liệu và tiêu chí. Ghi lại ngân sách tinh chỉnh và việc dùng thêm tín hiệu từ mô hình giáo viên.

Chốt điều kiện đạt trước khi huấn luyện: macro-F1, precision và recall của nhãn quan trọng, độ trễ và bộ nhớ tối đa trên phần cứng dự kiến. Khi đo độ trễ, tính cả bước tạo token và lớp phân loại. Tinh chỉnh trên tập validation; đánh giá cấu hình đã chọn trên tập kiểm thử dành riêng.

04 / PHÂN TÍCH LỖI

Xem lỗi trước khi ứng dụng

Kiểm tra câu phủ định, mỉa mai, tiếng Việt xen tiếng Anh, nhãn hiếm, cảm xúc trái chiều và văn bản dài. Quy định trường hợp thiếu chắc chắn hoặc khác dữ liệu huấn luyện cần người xem lại. Chỉ tiếp tục khi đạt tiêu chí; nếu chưa đạt, điều chỉnh nhãn, dữ liệu hoặc phương pháp.

Trước khi sử dụng, đọc giấy phép mô hình cùng các điều khoản nguồn gốc được dẫn kèm. Xem tổng quan nghiên cứu và thẻ mô hình, rồi ghi lại đúng phiên bản dùng để đánh giá.