以下是一个使用BERT多语言模型进行分类的示例代码：

import torch
from transformers import BertTokenizer, BertForSequenceClassification

# 加载预训练的BERT多语言模型和tokenizer
tokenizer = BertTokenizer.from_pretrained('bert-base-multilingual-cased')
model = BertForSequenceClassification.from_pretrained('bert-base-multilingual-cased', num_labels=2)

# 输入文本
text = "这是一个正面的例子"

# 对文本进行tokenize和编码
input_ids = tokenizer.encode(text, add_special_tokens=True)
input_ids = torch.tensor(input_ids).unsqueeze(0)  # 添加batch维度

# 使用模型进行分类
outputs = model(input_ids)
predictions = outputs.logits.argmax(dim=1)

# 打印分类结果
print("预测结果:", predictions.item())

在上面的代码中，我们首先使用BertTokenizer加载预训练的BERT多语言模型的tokenizer，然后使用BertForSequenceClassification加载预训练的BERT多语言模型。接下来，我们将输入文本进行tokenize和编码，并将其包装成一个batch tensor。最后，我们使用模型进行分类，并打印出预测结果。

请注意，上述代码仅仅是一个简单的示例，实际应用中可能需要根据具体需求进行修改和优化。