许可证：apache-2.0
数据集：

• rajpurkar/squad_v2
  语言：
• 印尼语
  评估指标：
• F1值
  基础模型：
• indolem/indobert-base-uncased

GitHub项目地址

关于署名的澄清声明

特此声明，Muhammad Fajrin Buyang Daffa 并非也从未参与本项目。其未对该代码库作出任何贡献，因此不应被列为与本作品相关的任何署名者。如有疑问，请联系 rifky@genta.tech。

本项目是本人研究课题"Teman Belajar：雅加达第28国立高中学生数字阅读助手"的组成部分，参与KOPSI（印尼学生研究竞赛）。

基于Translated Squad v2.0微调的indoBERT Base-Uncased模型

IndoBERT由IndoLEM团队训练，并在翻译版SQuAD 2.0数据集上针对问答任务进行微调。

模型体积（训练后）：420MB

IndoBERT技术细节（摘自官方文档）

IndoBERT是印尼语版BERT模型，训练数据包含2.2亿词，源自三大语料库：

• 印尼语维基百科（7400万词）
• Kompas、Tempo（Tala等，2003）和Liputan6的新闻文章（合计5500万词）
• 印尼语网络语料库（Medved和Suchomel，2017）（9000万词）。

模型经过240万步训练（180个epoch），开发集最终困惑度为3.97（与英文BERT-base相当）。该模型用于验证IndoLEM基准——涵盖印尼语形态句法、语义和篇章的七项任务[1]。

下游任务（问答）数据集详情

SQuAD2.0在SQuAD1.1的10万问题基础上，新增了5万条由众包人员编写的不可回答问题。系统需具备判断段落是否包含答案的能力。

训练环境

使用Tesla T4 GPU（12GB显存）完成训练。

性能指标：

快速使用

from transformers import pipeline

qa_pipeline = pipeline(
    "question-answering",
    model="Rifky/Indobert-QA",
    tokenizer="Rifky/Indobert-QA"
)

qa_pipeline({
    'context': """Pangeran Harya Dipanegara（通称Diponegoro亲王，1785年11月11日生于日惹哈迪宁格拉特，1855年1月8日卒于荷属东印度望加锡，享年69岁）是印度尼西亚民族英雄，1825至183年间领导了反抗荷兰殖民政府的爪哇战争（迪波内戈罗战争）。历史记载显示，这场战争是印尼史上伤亡最惨重的冲突，造成8000名荷兰士兵、7000名土著士兵及20万爪哇民众死亡，物质损失达2500万荷兰盾。""",
    'question': "迪波内戈罗亲王出生于何时？"
})

输出示例：

{
  'answer': '1785年11月11日',
  'end': 131,
  'score': 0.9272009134292603,
  'start': 115
}

参考文献

[1]Fajri Koto, Afshin Rahimi, Jey Han Lau, Timothy Baldwin. 2020. 《IndoLEM与IndoBERT：印尼语NLP基准数据集与预训练语言模型》第28届国际计算语言学会议论文集。