教程：用XiaothinkT6语言模型快速实现文本情感分类，附轻量模型推荐
在自然语言处理任务中，文本情感分类是最常用的功能之一——无论是分析用户评论、处理社交媒体舆情，还是优化产品反馈，都离不开对文本情感倾向（积极/消极/中性）的判断。今天给大家推荐一个轻量级解决方案：基于Xiaothink框架的情感分类工具，搭配Xiaothink-T6-0.15B-ST模型，无需复杂配置，低算力也能高效运行。
一、为什么选择Xiaothink的情感分类工具？
Xiaothink是专注于“少数据、低算力”端侧AI模型的研究组织，其推出的情感分类工具具有以下优势：
- 零额外模型负担：基于预训练的文本模型实现情感分类，无需单独加载分类模型，节省算力和存储；
- 适配轻量模型：支持Xiaothink-T6-0.15B等小思框架推出的模型模型，普通无GPU电脑也能流畅运行；
- 即插即用：封装简洁API，一行代码调用情感分析功能，新手也能快速上手。
二、准备工作：安装与模型下载
1. 安装Xiaothink模块
首先通过pip安装核心工具包：
pip install xiaothink
# 若需升级到最新版本（情感分类功能在1.2.2及以上版本支持）
pip install --upgrade xiaothink
2. 下载推荐模型：Xiaothink-T6-0.15B-ST
推荐使用Xiaothink-T6-0.15B-ST模型（ST即“SingleTurn”，专为单论文本任务优化），该模型经过指令微调，情感分类精度相对更高。
- 模型下载地址：https://www.modelscope.cn/models/ericsjq/Xiaothink-T6-0.15B
- 下载步骤：
- 访问上述链接，进入模型库页面；
- 下载词汇表并进入
Xiaothink-T6-0.15B-ST文件夹（该文件夹下包含模型权重）； - 下载全部文件，保存到本地目录（例如
D:/models/Xiaothink-T6-0.15B-ST/），确保包含：- 模型权重文件夹（ckpt文件）；
- 词汇表文件（名为
vocab_lx3.txt）。
三、快速上手：3步实现情感分类
下面通过完整代码示例，演示如何使用Xiaothink进行文本情感分类。
步骤1：导入必要模块
# 导入基础对话模型和情感分类工具
from xiaothink.llm.inference.test_formal import QianyanModel
from xiaothink.llm.tools.classify import ClassifyModel
步骤2：初始化模型
加载下载好的Xiaothink-T6-0.15B-ST模型，初始化情感分类器：
if __name__ == '__main__':# 初始化基础文本模型（QianyanModel）base_model = QianyanModel(ckpt_dir=r'D:/models/Xiaothink-T6-0.15B-ST', # 替换为你的模型权重路径MT='t6_standard', # 模型类型，与Xiaothink-T6-0.15B-ST匹配vocab=r'D:/models/Xiaothink-T6-0.15B-ST/vocab_lx3.txt', # 替换为你的词汇表路径)# 基于基础模型创建情感分类器emotion_classifier = ClassifyModel(base_model)步骤3：实时分析文本情感
通过emotion()方法输入文本，即可返回情感分析结果：
# 循环输入文本，实时输出情感分析结果while True:text = input("请输入要分析的文本（输入'q'退出）：")if text.lower() == 'q':print("程序退出")break# 调用情感分类接口result = emotion_classifier.emotion(text)print(f"情感分析结果：{result}\n")# 输出结果格式为：{'积极': 0.6667, '消极': 0.1667, '中性': 0.1667}
完整代码示例
from xiaothink.llm.inference.test_formal import QianyanModel
from xiaothink.llm.tools.classify import ClassifyModelif __name__ == '__main__':# 初始化基础模型base_model = QianyanModel(ckpt_dir=r'D:/models/Xiaothink-T6-0.15B-ST/', # 替换为你的模型路径MT='t6_standard',vocab=r'D:/models/Xiaothink-T6-0.15B-ST/vocab.txt', # 替换为你的词汇表路径)# 初始化情感分类器emotion_classifier = ClassifyModel(base_model)# 实时分析while True:text = input("请输入要分析的文本（输入'q'退出）：")if text.lower() == 'q':print("程序退出")breakresult = emotion_classifier.emotion(text)print(f"情感分析结果：{result}\n")
四、功能详解：情感分类背后的逻辑
Xiaothink的情感分类工具并非单独训练的分类模型，而是基于T6-0.15B-ST等通用小模型进行“零样本迁移”——通过指令微调让模型理解“情感分类”任务，按句输出文本的情感倾向（积极/消极/中性），并附带置信度。
这种设计的优势在于：
- 无需额外标注数据训练分类头，节省数据成本；
- 共享基础模型参数，避免重复加载，降低内存占用；
- 支持灵活扩展（例如后续可新增“愤怒/喜悦”等细粒度情感分类）。
五、注意事项
- 路径正确：
ckpt_dir和vocab必须指向正确的本地路径，建议使用绝对路径避免解析错误； - 版本兼容：确保xiaothink版本≥1.2.2（情感分类功能在该版本新增）；
- 模型支持：该工具专用于小思框架系列模型（可以使用QianyanModel加载）
六、总结
通过Xiaothink框架搭配Xiaothink-T6-0.15B-ST模型，我们可以用极少的代码实现高效的文本情感分类，尤其适合资源有限的端侧场景。如果你需要处理用户评论、社交媒体文本等情感分析任务，不妨试试这个方案。
再次附上模型下载链接：
Xiaothink-T6-0.15B-ST模型（ModelScope）
如果在使用中遇到问题，欢迎在评论区交流，也可以联系Xiaothink官方邮箱：xiaothink@foxmail.com。