/ Модель

Характеристики

Контекст
8 192 токена
Параметры
212 млн
Архитектура
eurobert · dense
Базовая модель
EuroBERT-210m
Библиотека
transformers
Опубликована
1 апр 2026

BERTJudge

Заполнение пропусковТекст → текст5 профессий

Англоязычный классификатор на базе EuroBERT, который оценивает корректность ответа LLM по вопросу и эталонному ответу.

59скачиваний за 30 дней9лайковвеса обновлены16 апр 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

BERTJudge — разработанная Artefactory encoder-based модель для оценки ответов LLM по эталонному ответу. Она принимает последовательность с вопросом, ответом-кандидатом и эталоном и выдаёт sigmoid-оценку корректности. В отличие от буквального сопоставления, модель оценивает семантическую правильность, учитывая различия в формулировках и форматировании.

Модель построена на EuroBERT-210m и дообучена как классификатор последовательностей; в репозитории указаны 211,7 млн параметров, контекст до 8192 токенов и формат safetensors. Основной сценарий — автоматическая проверка ответов, сгенерированных языковыми моделями, когда доступен эталон. README рекомендует вариант Free-QCR, принимающий вопрос, ответ-кандидат и эталон, и пакет BERT-as-a-Judge для инференса.

Модель рассчитана на английский язык. Она экономнее по вычислениям, чем оценивание с помощью LLM-as-a-Judge, однако предназначена для reference-based оценки и не заменяет проверку без эталона. Лицензия в предоставленных данных не указана.

Сценарии применения

  • оценка правильности ответов чат-бота по эталонам
  • автоматическая проверка ответов LLM в тестовом наборе
  • сравнение ответа-кандидата с эталоном с учётом смысла
  • оценивание ответов на вопросы в бенчмарке

Ограничения

Модель оценивает ответы только при наличии эталона и предназначена для английского языка. Предоставленные данные не содержат сведений о лицензии.

Для каких профессий подходит5

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

BERTJudge

BERT-as-a-Judge is a family of encoder-based models designed for efficient, reference-based evaluation of LLM outputs. Moving beyond rigid lexical extraction and matching, these models evaluate semantic correctness, accommodating variations in phrasing and formatting while using only a fraction of the computational resources required by LLM-as-a-Judge approaches.

Model Summary

Intended Use

BERTJudge models are designed as sequence classifiers that output a sigmoid score reflecting answer correctness. For inference, we suggest using the BERT-as-a-Judge package.

Installation

git clone https://github.com/artefactory/BERT-as-a-Judge.git
cd BERT-as-a-Judge
pip install -e .

Usage

Example:

from bert_judge.judges import BERTJudge

# 1) Initialize the judge
judge = BERTJudge(
    model_path="artefactory/BERTJudge",
    trust_remote_code=True,
    dtype="bfloat16",
)

# 2) Define one question, one reference, and several candidate answers
question = "What is the capital of France?"
reference = "Paris"
candidates = [
    "Paris.",
    "The capital of France is Paris.",
    "I'm hesitating between Paris and London. I would say Paris.",
    "London.",
    "The capital of France is London.",
    "I'm hesitating between Paris and London. I would say London.",
]

# 3) Predict scores (one score per candidate)
scores = judge.predict(
    questions=[question] * len(candidates),
    references=[reference] * len(candidates),
    candidates=candidates,
    batch_size=1,
)

print(scores)

Naming Convention Breakdown

Models follow a standardized naming structure: BERTJudge-<Candidate_Format>-<Input_Structure>-<Additional_Info>.

  • Candidate Format:
    • Free: Trained on unconstrained model generations.
    • Formatted: Trained on outputs that adhere to specific structural constraints. For optimized evaluation under the formatted setup, candidate outputs should ideally conclude with "Final answer: <final_answer>" (see the paper for details).
  • Input Structure:
    • QCR: The input sequence consists of [Question, Candidate, Reference].
    • CR: The input sequence consists only of [Candidate, Reference].
  • Additional Info:
    • OOD: Indicates evaluation of Out-of-Distribution performance (where specific generative models were withheld during training).
    • 100k/200k/500k: Denotes the total training steps (default regime being 1 million).

Note: For optimal evaluation performance, we recommend using BERTJudge-Free-QCR, available as artefactory/BERTJudge.

Citation

If you find this model useful for your research, please consider citing:

@article{gisserotboukhlef2026bertasajudgerobustalternativelexical,
  title={BERT-as-a-Judge: A Robust Alternative to Lexical Methods for Efficient Reference-Based LLM Evaluation},
  author={Gisserot-Boukhlef, Hippolyte and Boizard, Nicolas and Malherbe, Emmanuel and Hudelot, C{\'e}line and Colombo, Pierre},
  year={2026},
  eprint={2604.09497},
  archivePrefix={arXiv},
  primaryClass={cs.CL},
  url={https://arxiv.org/abs/2604.09497}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
EuroBertForSequenceClassification
Ревизия весов
af3a616

0 моделей