标题： ELECTRA 和 GPT-4o：情感分析的成本效益合作伙伴 显示英文标题

标题： ELECTRA and GPT-4o: Cost-Effective Partners for Sentiment Analysis

摘要： 双向 Transformer 在情感分析方面表现出色，大型语言模型（LLM）是有效的零样本学习者。它们作为一个团队工作时，表现是否会更好？ 本文探讨了 ELECTRA 和 GPT-4o 在三向情感分类中的协作方法。我们使用斯坦福情感树库（SST）和 DynaSent 的评论混合数据集，对四种模型（ELECTRA 基础版/大型版，GPT-4o/4o-mini）进行了微调（FT）。我们将 ELECTRA 的预测标签、概率和检索到的示例作为输入提供给 GPT。 与单独使用任一模型相比，向 GPT-4o-mini 提供 ELECTRA 基础版 FT 预测显著提高了性能（82.50 宏观 F1 对比 79.14 ELECTRA 基础版 FT，79.41 GPT-4o-mini），并且获得了最低的成本/性能比（每 F1 点成本为 \$0.12）。然而，当 GPT 模型被微调时，包括预测会降低性能。GPT-4o FT-M 表现最佳（86.99），而 GPT-4o-mini FT 也紧随其后（86.70），但成本更低（每 F1 点成本分别为 \$0.38 和 \$1.59）。 我们的结果显示，用经过微调的编码器的预测来增强提示是一种提高性能的有效方法，并且经过微调的 GPT-4o-mini 在降低成本 76% 的情况下几乎可以媲美 GPT-4o FT。这两种方法都是资源有限项目中负担得起的选择。 显示英文摘要

摘要： Bidirectional transformers excel at sentiment analysis, and Large Language Models (LLM) are effective zero-shot learners. Might they perform better as a team? This paper explores collaborative approaches between ELECTRA and GPT-4o for three-way sentiment classification. We fine-tuned (FT) four models (ELECTRA Base/Large, GPT-4o/4o-mini) using a mix of reviews from Stanford Sentiment Treebank (SST) and DynaSent. We provided input from ELECTRA to GPT as: predicted label, probabilities, and retrieved examples. Sharing ELECTRA Base FT predictions with GPT-4o-mini significantly improved performance over either model alone (82.50 macro F1 vs. 79.14 ELECTRA Base FT, 79.41 GPT-4o-mini) and yielded the lowest cost/performance ratio (\$0.12/F1 point). However, when GPT models were fine-tuned, including predictions decreased performance. GPT-4o FT-M was the top performer (86.99), with GPT-4o-mini FT close behind (86.70) at much less cost (\$0.38 vs. \$1.59/F1 point). Our results show that augmenting prompts with predictions from fine-tuned encoders is an efficient way to boost performance, and a fine-tuned GPT-4o-mini is nearly as good as GPT-4o FT at 76% less cost. Both are affordable options for projects with limited resources.