Характеристики

Контекст: 512 токенов
Параметры: 152 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: indobert-base-p1
Библиотека: transformers
Опубликована: 19 июн 2026

Ссылки

Hugging Face

indobert_lr3e-05_ep4

faidrama

Классификация текстаТекст → label3 профессии

Дообученная индонезийская BERT-модель для классификации текста.

10скачиваний за 30 дней0лайковвеса обновлены19 июн 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

faidrama/indobert_lr3e-05_ep4 — дообученная модель классификации текста на базе indobenchmark/indobert-base-p1, разработанной для индонезийского языка. Архитектура — BERT для классификации последовательностей, размер — 151,6 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для отнесения текста к классам; назначение конкретной классификации и набор меток в карточке не описаны.

На оценочном наборе указаны Loss 0,8057 и Macro F1 0,6836. Эти результаты относятся к набору, не названному в карточке, поэтому их нельзя переносить на другие данные. Модель распространяется по лицензии MIT.

Сценарии применения

классификация индонезийских текстов по заданным меткам
использование как основы для прикладной классификации на индонезийском языке
оценка текстового классификатора на совместимом наборе данных

Ограничения

Назначение классов и обучающий набор не описаны. Указанные метрики получены на неидентифицированном оценочном наборе и не гарантируют качество на других данных.

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.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

indobert_lr3e-05_ep4

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: 0.8057
Macro F1: 0.6836

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: 3e-05
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: 4

Training results

Training Loss	Epoch	Step	Validation Loss	Macro F1
0.7977	1.0	659	0.5689	0.5925
0.4820	2.0	1318	0.6360	0.6236
0.3428	3.0	1977	0.6827	0.6739
0.1185	4.0	2636	0.8057	0.6836

Framework versions

Transformers 5.12.1
Pytorch 2.11.0+cu128
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: 96a6d4d