SetFit v1.2.0 发布：免 prompt 少样本分类器全面适配新生态

Hugging Face 的 tomaarsen 于 9 月 4 日发布 SetFit v1.2.0，这是一个免 prompt 的少样本文本分类框架：把少量标注句子构造成正负样本对，对 Sentence Transformer 做对比微调，再在嵌入上训练分类头，无需提示词或 LLM，每类仅需 8 个样本即可达到用约 3000 个样本微调 RoBERTa-Large 的效果。本次版本的核心是一次兼容性大修，使此前几乎无法在当前生态中使用的 SetFit 重新可用。

已确认

• 修复生态兼容问题：transformers v5 下无法导入、huggingfacehub v1 下无法加载 Hub 模型、Sentence Transformers v5.4+ 每次导入都告警、datasets 相关问题等，这些缺陷使 SetFit 此前明显落后于生态
• 兼容性测试矩阵覆盖 transformers 4.41–5.16、Sentence Transformers 3.0–6.0、huggingfacehub 0.24–1.30、datasets 2.15–5.x，并涉及 warmup 与日志参数在 transformers v5 下的迁移细节
• 修复导出问题：ONNX 导出在 torch 2.9+ 下恢复可用（需显式请求 legacy exporter，因新的 dynamo 默认导出器缺少所需 opsets），支持 skl2onnx 1.20，OpenVINO 支持 2026 版本
• 新增 Python 3.13 支持
• 修复 codecarbon 3.x 下训练前保存失败的问题
• 依赖调整：要求 evaluate>=0.4.6，旧版无法用 huggingfacehub v1 加载指标
• 附带文档与 notebook 更新，以及数据集 ID 命名空间等修复
• 作者补充：SetFit 自 2022 年以来一直是最便宜的可靠文本分类方案之一，无需提示词，小模型几分钟即可训练，可用 Hub 上任意 embedding 模型作骨干（示例用 ModernBERT）

为什么重要

SetFit 让没有大量标注数据或不想依赖 LLM 与提示工程的团队，仅用每类 8 个样本就能训练出有竞争力的文本分类器，且训练成本极低、支持 ONNX/OpenVINO 部署。此前版本因依赖老化几乎无法在当前生态中使用，v1.2.0 使其重新可在最新的 transformers、huggingfacehub 和 Sentence Transformers 技术栈上正常工作。

2026-09-04 ~ 2026-09-04 · 9 条相关

• 【源头】SetFit v1.2.0 发布：8 个样本训练文本分类器全面适配新生态 — tomaarsen · 2026-09-04
• SetFit 原理回顾：8 样本/类可匹敌 3k 样本微调的 RoBERTa-Large — tomaarsen · 2026-09-04
• SetFit 修复生态兼容：适配 transformers v5 与 huggingface_hub v1 — tomaarsen · 2026-09-04
• SetFit 适配 transformers v5：warmup 与日志参数迁移细节 — tomaarsen · 2026-09-04
• 【源头】SetFit 修复导出：ONNX 兼容 torch 2.9+，OpenVINO 支持 2026 — tomaarsen · 2026-09-04
• SetFit v1.2.0 杂项：Python 3.13、数据集 ID 命名空间等修复 — tomaarsen · 2026-09-04
• SetFit 仍是最低成本文本分类方案：小模型几分钟即可训练 — tomaarsen · 2026-09-04
• 【源头】SetFit v1.2.0 发布说明：兼容新依赖并修复 ONNX/OpenVINO 导出 — tomaarsen · 2026-09-04

另有 1 条近重复转述:tomaarsen