Характеристики

Контекст: 512 токенов
Параметры: 138 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: indobert-base-uncased
Библиотека: transformers
Опубликована: 11 июн 2026

Ссылки

Hugging Face

indobert-base-uncased-kisi-mcq-relevance-scorer-base

hawalurahman

Классификация текстаТекст → label3 профессии

Дообученная индонезийская BERT-модель для классификации и оценки релевантности вопросов KISI с вариантами ответа.

47скачиваний за 30 дней0лайковвеса обновлены11 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

Это дообученная модель классификации текста на базе индонезийской BERT-модели indolem/indobert-base-uncased. По названию она предназначена для оценки релевантности вопросов с вариантами ответа KISI для индонезийской аудитории. Модель построена на архитектуре BERT и содержит 137,8 млн параметров; максимальная длина контекста — 512 токенов.

В карточке приведены результаты оценки на тестовом наборе: MSE 0,0242, RMSE 0,1555 и MAE 0,0803. Описание набора данных, способ применения и ограничения не раскрыты. Модель распространяется по лицензии MIT.

Сценарии применения

оценка релевантности вопросов KISI
ранжирование вопросов с вариантами ответа по релевантности
классификация индонезийских текстов

Ограничения

Карточка не описывает обучающие данные, точную схему меток и предполагаемый способ применения; метрики приведены без подробностей о наборе и протоколе оценки. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модель 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

indobert-base-uncased-kisi-mcq-relevance-scorer-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: 0.0238
Mse: 0.0242
Rmse: 0.1555
Mae: 0.0803

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: 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: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Mse	Rmse	Mae
0.0457	1.0	27	0.0255	0.0256	0.1600	0.1276
0.0306	2.0	54	0.0346	0.0351	0.1872	0.1157
0.0267	3.0	81	0.0239	0.0243	0.1558	0.0833
0.0212	4.0	108	0.0213	0.0216	0.1469	0.0798
0.0196	5.0	135	0.0238	0.0242	0.1555	0.0803

Framework versions

Transformers 4.56.2
Pytorch 2.8.0+cu129
Datasets 4.2.0
Tokenizers 0.22.1

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: ae5cbd6