Характеристики

Контекст: 512 токенов
Параметры: 138 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: indobert-base-uncased
Библиотека: transformers
Опубликована: 26 июн 2026

Ссылки

Hugging Face

indobert-base-uncased-bloom-base

hawalurahman

Классификация текстаТекст → label4 профессии

Дообученная индонезийская BERT-модель для классификации текстов.

8скачиваний за 30 дней0лайковвеса обновлены26 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

hawalurahman/indobert-base-uncased-bloom-base — дообученная модель на базе indolem/indobert-base-uncased для классификации текста. Она построена на архитектуре BERT и содержит 137,8 млн параметров; принимает текстовые последовательности длиной до 512 токенов. Репозиторий использует библиотеку Transformers и формат весов safetensors.

Модель подходит для присвоения тексту категорий в задачах на индонезийском языке. В README указаны результаты оценки: accuracy 0,575 и loss 1,0931; описание набора данных, конкретных меток и предполагаемых сценариев применения не приведено. Модель распространяется по лицензии MIT.

Сценарии применения

классификация индонезийских текстовых сообщений
присвоение категорий коротким текстам
классификация пользовательских отзывов на индонезийском
разметка индонезийских текстов по заданным классам

Ограничения

В README указана accuracy 0,575 на оценочном наборе, поэтому качество может быть ограниченным. Набор данных, классы и подробные сценарии применения не описаны.

Для каких профессий подходит4

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.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель 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-base-uncased-bloom-base

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

Loss: 1.0931
Accuracy: 0.575

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: 2e-05
train_batch_size: 8
eval_batch_size: 8
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: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
1.3145	1.0	47	1.3265	0.45
1.1143	2.0	94	1.1500	0.55
0.9620	3.0	141	1.1201	0.5687
0.8432	4.0	188	1.0628	0.6188
0.7644	5.0	235	1.0931	0.575

Framework versions

Transformers 5.12.0
Pytorch 2.11.0+cu128
Datasets 4.0.0
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: 6c1d5ed