/ Модель

Характеристики

Контекст
8 192 токена
Параметры
307 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Базовая модель
mmBERT-base
Опубликована
30 авг 2026

mmbert-small-vi-exam-seq-labeling

Заполнение пропусковТекст → текст3 профессии

Модель размечает текст вьетнамских школьных экзаменов, выделяя вопросы, формулировки заданий и метки вариантов ответа.

183скачиваний за 30 дней0лайковвеса обновлены30 сен 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

daominhwysi/mmbert-small-vi-exam-seq-labeling — модель токенной классификации, разработанная автором репозитория и дообученная на базе многоязычного энкодера jhu-clsp/mmBERT-base для разметки структуры экзаменационных заданий. Она предназначена для извлечения из вьетнамских экзаменационных документов номеров и меток вопросов, формулировок заданий и обозначений вариантов ответа. Модель ориентирована на школьные экзамены 8–12 классов по математике, естественным и гуманитарным предметам, а также английскому языку.

Архитектура основана на ModernBERT с головой токенной классификации, объединяющей последние четыре скрытых слоя. Заявлена работа с контекстом до 8192 токенов; обучение использовало скользящие окна разных размеров. Выходная разметка следует схеме BIO. README заявляет сохранение исходных символов при реконструкции структуры, однако приведённая таблица оценки содержит несогласованные показатели: Macro F1 87,36% при Precision и Recall 0,00%, поэтому качество следует проверять на собственных данных.

Модель принимает текст экзамена и выдаёт последовательностные метки; поддержка сканированных документов предполагает наличие отдельного этапа распознавания текста. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • Выделение номеров вопросов во вьетнамских экзаменационных текстах
  • Разделение текста экзамена на формулировки заданий и варианты ответа
  • Структурирование цифровых экзаменационных документов для последующей обработки
  • Разметка заданий по математике и школьным предметам для анализа или индексации

Ограничения

Заявленные метрики в README противоречат друг другу: Macro F1 указан как 87,36%, тогда как Precision и Recall указаны как 0,00%; качество требует независимой проверки. Для сканированных документов нужен отдельный этап OCR, поскольку сама модель выполняет разметку текста.

Для каких профессий подходит3

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

mmbert-small-vi-exam-seq-labeling

Production-grade token classification and sequence labelling model fine-tuned from jhu-clsp/mmBERT-base on the comprehensive Vietnamese Exam Sequence Labelling Dataset v2.

Designed for granular structural extraction from Vietnamese educational examinations (grades 8–12 across Math, Physics, Chemistry, Biology, History, Geography, Literature, and English), supporting both scanned and digital documents with Zero Character Mutation guarantee.


Model Architecture

  • Base Encoder: jhu-clsp/mmBERT-base (Multilingual ModernBERT)
  • Classification Head: EnhancedBertForTokenClassification featuring Multi-Layer Hidden State Fusion (fusing the last 4 hidden transformer layers via learned scalar weights) + Dropout + Linear projection.
  • Context Length: Trained with multi-scale sliding window configurations ([512, 128], [768, 192], [1024, 256], [2048, 512]) to preserve both short question boundaries and extended reading comprehension passages.

Entity Schema (7 Core Examination Entities)

The model performs token-level sequence labelling using standard BIO tagging:

Entity TagDescriptionExample
QUESTION_LABELQuestion prefix and numberingCâu 1:, Question 20., Bài 3:
STEMMain question prompt or problem statementCho hàm số $y=f(x)$...
OPTION_LABELMultiple-choice identifierA., B., C., D.
OPTION_TEXTContent text of the choicex = 2, increase rapidly
STIMULUSShared reading comprehension text, poem, or stimulus passageReading passages, dialogues, texts
SECTIONExamination headers, directions, and instructionsPHẦN I. TRẮC NGHIỆM, Read the following...
EXPLANATIONDetailed solutions, answer keys, or scoring baremsLời giải: Áp dụng định lý...

Architectural Invariants

  1. Stemless Cloze Questions: Full support for cloze / fill-in questions where <question_label> directly precedes <option_label> without an explicit <stem>.
  2. Zero Character Mutation Guarantee: Sequence labeling and XML reconstruction wrap tags directly around input substrings with 0% character deletion, alteration, or hallucination.

Evaluation Results (Gold Benchmark Test Set)

Evaluated on the strictly isolated 4-tier Gold Benchmark (63 pristine real exam documents, ~458k tokens):

MetricScore
Validation Macro F187.36%
Precision0.00%
Recall0.00%
Micro F10.00%

Checkpoint synced at Epoch 2/2.


Quickstart & Usage

1. Installation

pip install torch transformers huggingface_hub

2. Python Inference

import torch
from transformers import AutoTokenizer
from model.module.head import EnhancedBertForTokenClassification
from model.inference.predict import predict_text, load_label_mapping

repo_id = "daominhwysi/mmbert-small-vi-exam-seq-labeling"
device = "cuda" if torch.cuda.is_available() else "cpu"

tokenizer = AutoTokenizer.from_pretrained(repo_id)
tag_to_id, id_to_tag = load_label_mapping(repo_id)

model = EnhancedBertForTokenClassification.from_pretrained(
    repo_id,
    num_labels=len(tag_to_id),
    id2label=id_to_tag,
    label2id=tag_to_id
).to(device)

text = """
Read the following passage and mark the letter A, B, C or D on your answer sheet.
Digital tools help modern students collaborate more effectively across borders.
Question 1: What do digital tools help students do?
A. Play games
B. Collaborate effectively
C. Avoid homework
D. Work alone
"""

res = predict_text(text, model=model, tokenizer=tokenizer, id_to_tag=id_to_tag, device=device)
print(res["xml_text"])

Output:

<section>Read the following passage and mark the letter A, B, C or D on your answer sheet.</section>
<stimulus>Digital tools help modern students collaborate more effectively across borders.</stimulus>
<question_label>Question 1:</question_label> <stem>What do digital tools help students do?</stem>
<option_label>A.</option_label> <option_text>Play games</option_text>
<option_label>B.</option_label> <option_text>Collaborate effectively</option_text>
<option_label>C.</option_label> <option_text>Avoid homework</option_text>
<option_label>D.</option_label> <option_text>Work alone</option_text>

Training Details

  • Dataset: daominhwysi/synthetic-seq-labelling-vi-exam-v2 (776 documents, 5.2M tokens, 90k multi-scale sliding chunks).
  • Optimizer: AdamW (Learning Rate: 3e-05) with Linear Warmup and Cosine Decay.
  • Batch Size: 4
  • Sequence Length: None
  • License: Apache 2.0

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
ModernBertForMaskedLM
Ревизия весов
b048d7d

0 моделей