ال Transformers ثنائية الاتجاه تتفوق في تحليل المشاعر، والنماذج اللغوية الكبيرة (LLM) فعالة كمتعلمات من الصفر. هل يمكن أن يحققوا أداءً أفضل كفريق؟ يستكشف هذا البحث الأساليب التعاونية بين ELECTRA و GPT-4o لتصنيف المشاعر الثلاثي. قمنا بضبط أربع نماذج (ELECTRA Base/Large، GPT-4o/4o-mini) باستخدام مزيج من التعليقات من بنك بيانات مشاعر ستانفورد (SST) و DynaSent. قدمنا مدخلات من ELECTRA إلى GPT تتضمن: التسمية المتوقعة، الاحتمالات، والأمثلة المسترجعة. كان مشاركة توقعات ELECTRA Base FT مع GPT-4o-mini ذات تأثير إيجابي كبير على الأداء مقارنة بكل نموذج بمفرده (82.50 F1 الكلي مقابل 79.14 ELECTRA Base FT، 79.41 GPT-4o-mini) وأدت إلى أقل نسبة تكلفة/أداء ($0.12/Nقطة F1). ومع ذلك، عندما تم ضبط نماذج GPT، فإن إدراج التوقعات خفض الأداء. كان GPT-4o FT-M هو الأفضل في الأداء (86.99)، وجاء GPT-4o-mini FT مباشرة بعده (86.70) وبتكلفة أقل بكثير ($0.38 مقابل $1.59/Nقطة F1). تظهر نتائجنا أن تعزيز المحفزات بالتوقعات من النماذج المعدلة هو طريقة فعالة لتحسين الأداء، وأن GPT-4o-mini المعدلة هي تقريبًا بنفس جودة GPT-4o FT ولكن بتكلفة أقل بنسبة 76%. كلتا الخيارتين تعتبران خيارات ميسورة للمشاريع ذات الموارد المحدودة.