Характеристики

Контекст: 514 токенов
Параметры: 152 млн
Лицензия: MIT
Архитектура: roberta · dense
Опубликована: 10 авг 2026

Ссылки

Hugging Face

smart-mcq-roberta-base

aryanbabar170205

Классификация и разметкаТекст → label3 профессии

Дообученная RoBERTa-base ранжирует пять вариантов ответа на вопрос с множественным выбором.

8скачиваний за 30 дней0лайковвеса обновлены10 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

aryanbabar170205/smart-mcq-roberta-base — модель на базе RoBERTa-base, дообученная для выбора правильного ответа в заданиях с несколькими вариантами. Она использует архитектуру cross-encoder: отдельно оценивает каждую пару «вопрос — вариант ответа» общим энкодером и ранжирует варианты по оценкам. Модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов.

Модель предназначена для решения тестов с множественным выбором в формате из пяти вариантов. Она обучена на 2 000 примерах набора Smart MCQ Solver Challenge в течение шести эпох; указанная точность на обучающей выборке составляет 100%, что не характеризует качество на новых данных. Опубликована в формате safetensors под лицензией MIT.

Сценарии применения

выбор ответа в тесте с пятью вариантами
ранжирование вариантов ответа по вопросу
автоматическое решение заданий Smart MCQ Solver Challenge

Ограничения

Обучена на 2 000 примерах, а опубликованная точность 100% относится только к обучающей выборке и не подтверждает обобщение на новые вопросы. В README описан формат из пяти вариантов; применение к другим форматам не подтверждено.

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 I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

RoBERTa-base — Smart MCQ Solver Challenge

Fine-tuned roberta-base on the Smart MCQ Solver Challenge dataset using the AutoModelForMultipleChoice cross-encoder formulation: each of the 5 options is scored as a separate (question, option) pair through one shared encoder, then softmaxed into a ranking.

Base model: roberta-base (125M params)
Trained on: 2,000 rows, full-data deployment regime, 6 epochs
Final training-set fit accuracy: 1.0000
Part of: DL & GenAI Project [BSDA2001P], Smart MCQ Solver Challenge

See the project repository for the full notebook, EDA and report.

Как запустить

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

GPU в ailist

Универсальный рантайм · multiple-choice

Можно запустить

Подбираем GPU…

Класс архитектуры: RobertaForMultipleChoice
Ревизия весов: 062ac44