TF-IDF обогнал трансформер на задаче классификации русских отзывов

При классификации текстов стандартный подход в 2026 году — взять предобученный трансформер и дообучить его. Метод TF-IDF часто воспринимается как устаревший: он работал в эпоху до BERT, и сейчас его редко воспринимают всерьез. Обычно этот выбор никто не проверяет на собственных данных, полагая, что исход очевиден.

Авторы решили проверить это предположение. Они взяли одну задачу, один корпус текстов и одну метрику, после чего прогнали три подхода подряд: счетный бейзлайн на TF-IDF, сверточную сеть TextCNN и дообученный русский энкодер. Учитывалось не только качество, но и стоимость — время обучения и скорость предсказания на обычном процессоре.

Краткий вывод: на этой задаче счетный бейзлайн обучается за три секунды и по честной метрике держится вровень с трансформером, который дообучался восемь минут. Трансформер, взятый по стандартному рецепту, сначала вообще проиграл — и проиграл поучительно.

Далее в материале — как так вышло и что из этого можно забрать.