Qwen3-0.6B 能击败 Bert 吗？

惧怕滴小白 Datawhale

 Datawhale干货 

作者：惧怕滴小白，编辑：丁师兄大模型

作者：惧怕滴小白，知乎：https://zhuanlan.zhihu.com/p/...

01

Changelog

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。[25/04/28]

TODO：

• 利用 Qwen3-0.6Bppl、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。

02

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。

03

实验设置

GPU：RTX 3090（24G）。

模型配置：

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：

{

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。

04

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）：

训练过程中模型对测试集的指标变化：

可以看到 Bert 在测试集上最好结果是：0.945。

05

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。

06

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）：

训练过程中模型对测试集的指标变化：

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。

07

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.

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：

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：

{

训练参数配置文件：

### model

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）：

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：

08

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）：

09

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。

10

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。

一起“点赞”三连↓