/ Модель

Характеристики

Контекст
512 токенов
Параметры
205 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
bert-base-multilingual-cased
Библиотека
transformers
Опубликована
15 июн 2026

halluscoring-mbert-nli

Классификация текстаТекст → label4 профессии

Многоязычный BERT сравнивает ответ модели с эталонным, чтобы классифицировать возможную галлюцинацию.

13скачиваний 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 разработала halluscoring-mbert-nli — многоязычный BERT, дообученный для выявления галлюцинаций в ответах. Модель получает эталонный ответ и ответ другой модели в формате NLI: [CLS] gold_answer [SEP] model_answer [SEP], затем выполняет классификацию текста. Использована архитектура BertForSequenceClassification на базе google-bert/bert-base-multilingual-cased; модель содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов.

Модель предназначена для сравнения ответа с эталоном и оценки того, насколько ответ согласуется с ним. В README она описана как внутренний эксперимент по задаче HalluScoring 2026 Task 1.1: на dev-выборке указаны F1-Macro 0,9171 и AUC-ROC 0,9594. Она не оценивалась на скрытой тестовой выборке и не подавалась на конкурс; на подмножестве с невиданными вопросами AUC-ROC ниже, чем у специализированной арабской модели. Лицензия — Apache-2.0.

Сценарии применения

  • выявление галлюцинаций в ответах языковой модели
  • проверка согласованности ответа с эталонным ответом
  • классификация пар ответов в формате NLI
  • оценка ответов на вопросы по известным эталонам

Ограничения

Оценивалась только на dev-выборке, без проверки на скрытом тесте; на подмножестве с невиданными вопросами AUC-ROC ниже, чем у специализированной арабской модели. Результаты из README относятся к внутреннему эксперименту.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

halluscoring-mbert-nli

Multilingual BERT (google-bert/bert-base-multilingual-cased) fine-tuned on HalluScoring 2026 Task 1.1 using the NLI framing ([CLS] gold_answer [SEP] model_answer [SEP]). Internally this is run S05 — our best F1-Macro among single models (0.9171), despite being the only non-Arabic-specific architecture tried. Its predictions add useful architectural diversity and are a component of our best-ever ensemble, S25v2.

Not submitted to the competition — kept as an internal experiment and as a component of the S25v/S25v2 ensembles. See SYSTEM_WRITEUP.md for the officially-submitted models.

How to Use

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

model_id = "HassanB4/halluscoring-mbert-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 modelgoogle-bert/bert-base-multilingual-cased
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)0.95940.9171
Dev (clean, unseen-question subset, n=800)0.9310—

Limitations

Not evaluated on the hidden test set — internal dev-only experiment. Lower clean-dev AUC-ROC than halluscoring-arbert-nli despite the higher F1-Macro; used in ensembles primarily for architectural diversity.

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
19b4a6c

0 моделей