/ Модель

Характеристики

Контекст
512 токенов
Параметры
190 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
MARBERTv2
Библиотека
transformers
Опубликована
15 июн 2026

halluscoring-marbert-nli

Классификация текстаТекст → label6 профессий

Дообученный арабоязычный классификатор на MARBERTv2 для выявления галлюцинаций путём сравнения ответа модели с эталоном.

19скачиваний за 30 дней0лайковвеса обновлены12 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

HassanB4 разработал halluscoring-marbert-nli — арабоязычный классификатор для оценки галлюцинаций в ответах языковых моделей. Это дообученная на наборе HalluScoring-2026-Task1.1 модель UBC-NLP/MARBERTv2 с архитектурой BERT и классификационной головой. Она получает эталонный ответ и ответ модели в формате NLI: gold_answer и model_answer разделяются специальными токенами. Максимальная длина последовательности — 512 токенов, размер модели — 190 млн параметров.

Модель предназначена для определения соответствия ответа модели эталонному в задачах оценки и контроля качества ответов на арабском языке. В README указаны значения AUC-ROC 0,9562 и F1-Macro 0,8989 на официальной dev-выборке; на чистом подмножестве с ранее не встречавшимися вопросами AUC-ROC составил 0,9266. Модель не оценивалась на скрытой тестовой выборке, а её предсказания оказались избыточны относительно halluscoring-arbert-nli, поэтому она не вошла в финальный ансамбль соревнования. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • оценка соответствия ответа языковой модели эталонному ответу на арабском языке
  • выявление неподтверждённых или ошибочных ответов в системе вопросно-ответного поиска
  • автоматическое ранжирование ответов по вероятности галлюцинации
  • контроль качества арабоязычных ответов языковых моделей

Ограничения

Оценивалась только на dev-выборках и не тестировалась на скрытой тестовой выборке. В ансамблевых экспериментах её предсказания оказались избыточны относительно halluscoring-arbert-nli.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

halluscoring-marbert-nli

MARBERTv2 (UBC-NLP/MARBERTv2) fine-tuned on HalluScoring 2026 Task 1.1 using the NLI framing ([CLS] gold_answer [SEP] model_answer [SEP]). Internally this is run S03 — confirms the NLI-framing gain first found on CAMeLBERT (halluscoring-camelbert-nli) is architecture-independent; scores essentially tie (clean-dev AUC-ROC 0.9266 vs. 0.9272, −0.06pp).

Not submitted to the competition — kept as an internal experiment and as a component of the S23/S24v/S25v ensembles (dropped from the final best ensemble, S25v2, whose predictions turned out to be redundant with the ARBERT model since both are UBC-NLP architectures). See SYSTEM_WRITEUP.md for the officially-submitted models.

How to Use

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

model_id = "HassanB4/halluscoring-marbert-nli"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForSequenceClassification.from_pretrained(model_id)
model.eval()

gold_answer = "..."
model_answer = "..."

inputs = tokenizer(gold_answer, model_answer, truncation=True, max_length=512, return_tensors="pt")
with torch.no_grad():
    logits = model(**inputs).logits
    prob_hallucinated = torch.softmax(logits, dim=-1)[0, 1].item()

print(f"hallucinated={int(prob_hallucinated > 0.5)}, score={prob_hallucinated:.4f}")

Training

ParameterValue
Base modelUBC-NLP/MARBERTv2
Input formatnli (gold_answer + model_answer)
Max sequence length512
Batch size16
Epochs5
Learning rate2e-5
Warmup ratio0.1
Weight decay0.01
Losscross-entropy
Seed42

Evaluation

SplitAUC-ROCF1-Macro
Dev (official, n=1300)0.95620.8989
Dev (clean, unseen-question subset, n=800)0.9266—

Limitations

Not evaluated on the hidden test set — internal dev-only experiment. Predictions were found to be redundant with halluscoring-arbert-nli (both UBC-NLP architectures), which is why it was excluded from the final S25v2 ensemble in favor of a more architecturally diverse model.

Citation

@inproceedings{namaa2026halluscoring,
    title={{NAMAA at HalluScoring 2026: NLI-Framed BERT Classifiers and Ensembling for Model-Agnostic Arabic Hallucination Detection}},
    author={[AUTHOR NAMES TBD]},
    year={2026},
    booktitle={Proceedings of ArabicNLP 2026},
    note={HalluScoring 2026 Shared Task, Track 1}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForSequenceClassification
Ревизия весов
06c5c48

0 моделей