灾害推文识别：实验说明
模型为BERT Base，采用英文 Disaster Tweets 数据进行二分类微调。规范化重复判定后移除冲突标签并去重，保留6,875条；固定划分训练4,812条、验证1,031条、测试1,032条。模型按验证集灾害类F1选择，测试阈值固定为0.5。
本次部署模型
基础模型：google-bert/bert-base-uncased。训练参数：学习率2e-05，batch size 16，最大长度96，最多3轮，验证集选定第2轮。
| 测试指标 | 原FP32检查点（阈值0.5） | 量化浏览器模型（阈值0.35） |
|---|---|---|
| Accuracy | 0.8275 | 0.8149 |
| 灾害类F1 | 0.7866 | 0.7685 |
量化指标来源：浏览器 WASM 实测。FP32 ONNX与PyTorch的分类结果完全一致；量化版与原检查点的分类一致率为92.64%，有76条预测变化。量化模型大小约105.3MiB，没有重新训练或按量化后的测试分数选模型。
上述一致率使用共同阈值0.5。实际网页的阈值0.35由验证集选择，目标是灾害类F1；降低阈值会改变精确率与召回率，也不保证准确率同步提高。量化评测按单条输入进行，避免动态量化的批大小差异。
限制
数据年代、文本风格和类别分布均有限。结果不能直接推广到其他语言、社交平台或真实应急决策。模型判断文本含义，不进行事实核验；输出概率未经校准。完整对照实验、训练随机性复验和逐条结果见本地课程报告。