短文本分类是自然语言处理中一个关键且具有挑战性的研究方向。为此，学术界已开发出大量高度专门化的短文本分类模型。然而，在近期的短文本研究中，传统文本分类任务中的前沿方法——尤其是纯Transformer架构——尚未得到充分挖掘与应用。本文系统评估了多种短文本分类器的性能，同时对比了表现最佳的传统文本分类器。此外，我们还基于两个全新的真实世界短文本数据集展开实验，旨在缓解研究过度依赖特征有限的基准数据集所带来的问题。实验结果明确表明，Transformer模型在短文本分类任务中已达到当前最优（SOTA）的准确率，从而引发了一个重要问题：专门针对短文本设计的技术是否仍为必要？