Характеристики

Контекст: 512 токенов
Параметры: 152 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: indobert-base-p1
Библиотека: transformers
Опубликована: 20 июл 2026

Ссылки

Hugging Face

indobert-click-judges

Vensys

Классификация текстаТекст → label3 профессии

Дообученная индонезийская BERT-модель для классификации текста.

14скачиваний за 30 дней1лайквеса обновлены20 июл 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

Vensys/indobert-click-judges — дообученная модель BERT для классификации текста, созданная на основе indobenchmark/indobert-base-p1. В README указана оценка loss 0,6266 на наборе для оценки, но назначение меток и состав данных не раскрыты.

Модель содержит 151,6 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате Safetensors через библиотеку Transformers. Базовая модель предназначена для индонезийского языка, поэтому модель подходит для задач классификации индонезийского текста; конкретный сценарий, связанный с «click judges», по доступным сведениям определить нельзя.

Модель выпущена под лицензией MIT. README не описывает качество по отдельным метрикам, классы, обучающие данные или ограничения применения.

Сценарии применения

Классификация текстов на индонезийском языке

Ограничения

Состав классов, обучающие данные и предназначение модели в README не раскрыты; указан только loss 0,6266 на оценочном наборе.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

indobert-click-judges

This model is a fine-tuned version of indobenchmark/indobert-base-p1 on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.6266

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 0.003
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 20

Training results

Training Loss	Epoch	Step	Validation Loss
0.5924	1.0	57	0.8505
0.4860	2.0	114	0.8379
0.4696	3.0	171	1.1534
0.4481	4.0	228	0.8031
0.4778	5.0	285	0.7002
0.4221	6.0	342	0.7191
0.4045	7.0	399	0.7007
0.4360	8.0	456	0.8092
0.4138	9.0	513	0.6848
0.3627	10.0	570	0.7568
0.3379	11.0	627	0.6879
0.3474	12.0	684	0.7341
0.3369	13.0	741	0.6409
0.2920	14.0	798	0.6682
0.1993	15.0	855	0.6469
0.1975	16.0	912	0.6547
0.1987	17.0	969	0.6035
0.1596	18.0	1026	0.6234
0.1643	19.0	1083	0.6223
0.1399	20.0	1140	0.6266

Framework versions

Transformers 5.14.0
Pytorch 2.12.1+cu126
Datasets 5.0.0
Tokenizers 0.22.2

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: e915450