SetFit项目v1.1.1版本发布：支持ModernBERT与训练报告优化

SetFit是一个基于Sentence Transformers的轻量级文本分类框架，它通过对比学习的方式在小样本场景下表现出色。该项目由Hugging Face团队维护，旨在为NLP开发者提供一个高效、易用的文本分类解决方案。

版本亮点

SetFit v1.1.1版本带来了两个重要的改进，这些改进显著提升了框架的实用性和兼容性。

1. 兼容ModernBERT等最新Transformer模型

本次更新最重要的特性是增加了对transformers库v4.45.2及以上版本的支持，包括最新的ModernBERT模型（如nomic-ai/modernbert-embed-base）。ModernBERT是一种改进的BERT架构，在嵌入表示和微调性能上都有显著提升。

开发者现在可以轻松地将SetFit与现代BERT变体结合使用。以下是一个典型的使用ModernBERT进行微调的代码示例：

from datasets import load_dataset
from setfit import SetFitModel, Trainer, TrainingArguments

# 加载数据集
dataset = load_dataset("sst2")

# 准备训练数据
train_dataset = dataset["train"].select(range(200))
eval_dataset = dataset["validation"].select(range(200))

# 加载ModernBERT模型
model = SetFitModel.from_pretrained(
    "nomic-ai/modernbert-embed-base",
    labels=["negative", "positive"],
)

# 配置训练参数
args = TrainingArguments(
    batch_size=16,
    max_steps=100,
    logging_steps=10,
    eval_strategy="steps",
    eval_steps=10,
    eval_max_steps=100,
)

# 创建训练器并开始训练
trainer = Trainer(
    model=model,
    args=args,
    train_dataset=train_dataset,
    eval_dataset=eval_dataset,
    metric="accuracy",
    column_mapping={"sentence": "text", "label": "label"}
)

trainer.train()

2. 训练报告控制优化

另一个重要修复是解决了report_to="none"参数被忽略的问题。在之前的版本中，即使用户明确指定不向任何平台报告训练指标，系统仍可能尝试发送报告。这个修复对于注重隐私或需要在受限网络环境中运行的开发者尤为重要。

技术细节

1. 兼容性改进：新版本确保了与transformers库v4.45.2到v4.48.0之间的兼容性，解决了因transformers内部API变化导致的问题。

2. ModernBERT支持：ModernBERT模型采用了改进的架构设计，在保持BERT核心优势的同时，通过优化嵌入层和注意力机制提升了性能。SetFit现在可以充分利用这些改进。

3. 训练控制增强：修复后的report_to参数行为更加符合预期，开发者可以完全控制训练指标的记录和上报行为。

实际应用建议

对于考虑升级到v1.1.1版本的开发者：

1. 如果需要使用最新的Transformer模型（如ModernBERT），建议尽快升级。

2. 在隐私敏感场景下，可以利用修复后的report_to="none"功能确保训练数据不外泄。

3. 升级时注意检查transformers库的版本兼容性，建议使用v4.45.2或更高版本。

SetFit v1.1.1的这些改进进一步巩固了其作为小样本文本分类首选框架的地位，特别是对于希望利用最新Transformer模型但又需要轻量级解决方案的开发者而言。