Характеристики

Контекст: 512 токенов
Параметры: 152 млн
Лицензия: MIT
Архитектура: bert · dense
Базовая модель: indobert-base-p1
Библиотека: transformers
Опубликована: 7 июл 2026

Ссылки

Hugging Face

finetuned_indobert_harm_multiclass

mSatashi

Классификация текстаТекст → label

Дообученная на IndoSafety модель IndoBERT для многоклассовой классификации текстов на индонезийском языке.

5скачиваний за 30 дней0лайковвеса обновлены7 июл 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 модель классификации текста на основе IndoBERT-base-p1, дообученная на наборе данных IndoSafety. Она предназначена для многоклассовой классификации текстов на индонезийском языке. В метаданных указаны архитектура BERT, 151,6 млн параметров и контекст до 512 токенов. На оценочной выборке автор сообщает accuracy 0,9737 и loss 0,1075.

Модель принимает текст и выдаёт метки классов. Репозиторий распространяется по лицензии MIT. Состав классов и подробные ограничения в карточке не описаны.

Сценарии применения

классификация текстов по классам IndoSafety
разметка индонезийских текстов для анализа безопасности
автоматическая сортировка текстовых сообщений по категориям

Ограничения

Карточка не раскрывает набор классов и подробные ограничения модели. Заявленные accuracy и loss относятся к оценочной выборке IndoSafety и не гарантируют такое же качество на других данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

results_multiclass

This model is a fine-tuned version of indobenchmark/indobert-base-p1 on the IndoSafety dataset. It achieves the following results on the evaluation set:

Loss: 0.1075
Accuracy: 0.9737

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: 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

Framework versions

Transformers 5.12.1
Pytorch 2.11.0+cu128
Datasets 4.8.4
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: a76d9a9