/ Модель
Каталог

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Библиотека
transformers
Опубликована
14 июл 2026

Ссылки

Hugging Face

SmartHome-AI-IoT-Models-Verifier

Belnadino
Классификация текстаТекст → label

Модель на DistilBERT проверяет, соответствует ли текстовая команда контексту умного дома, прежде чем передать её на исполнение.

12скачиваний за 30 дней0лайковвеса обновлены14 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

SmartHome-AI-IoT Models Verifier — модель классификации текста для проверки команд управления умным домом перед их передачей модулям управления устройствами. Её разработали Belnadino Mgimba и Anish Jindal из факультета компьютерных наук Даремского университета в рамках SmartHome-AI-IoT Framework.

Модель построена на DistilBERT и работает с Transformers и PyTorch. Она принимает текстовую команду и контекст, включая комнату и сценарий автоматизации, и классифицирует команду как допустимую или недопустимую. Модель предназначена для исследований и разработки контекстных интерфейсов умного дома, IoT-автоматизации и решений для периферийных устройств. В README приведены показатели accuracy 0,9839, F1 для samples 0,9946 и micro-F1 0,9978.

Обучение проводилось на синтетических командах из набора SmartHomeIoTNLU. Незнакомые формулировки и поведение пользователей могут снизить качество, поэтому перед применением в критически важных системах необходима дополнительная проверка. Лицензия — Apache-2.0.

Сценарии применения

  • проверка команды включения света с учётом комнаты
  • валидация голосового или текстового запроса перед управлением IoT-устройствами
  • проверка поддержки команды в заданном сценарии автоматизации
  • фильтрация недопустимых команд в интерфейсе умного дома
  • разработка контекстной NLU-системы для умного дома

Ограничения

Модель обучена на синтетических командах, поэтому может хуже работать с незнакомыми формулировками и поведением пользователей. Для критически важных сценариев требуется дополнительная проверка.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SmartHome-AI-IoT Verifier Model

Overview

The SmartHome-AI-IoT Verifier Model is a lightweight Natural Language Understanding (NLU) model designed to validate user commands before execution in a smart-home IoT environment.

The model determines whether a given natural language command is valid for a specified smart-home context, including room location and supported automation scenarios.

The verifier acts as the first stage of the SmartHome-AI-IoT framework to prevent invalid or unsupported commands from reaching downstream device-control modules.

Authors

Belnadino Mgimba
Department of Computer Science, Durham University, Durham, United Kingdom

Anish Jindal
Department of Computer Science, Durham University, Durham, United Kingdom

Project

This model is part of the:

SmartHome-AI-IoT Framework
"A Natural Language Understanding, Low-Latency, Context-Aware, Multi-Device Control and Self-Learning SmartHome IoT Framework"

Developed for research on:

  • Natural language understanding for IoT
  • Context-aware smart-home automation
  • Edge AI deployment
  • Human-in-the-loop adaptive systems

Intended Use

This model is intended for research and development of:

  • Smart-home natural language interfaces
  • Context-aware IoT control systems
  • Human-in-the-loop automation
  • Edge AI-based intelligent environments

The model is not intended for safety-critical automation without additional validation.

Model Architecture

  • Base model: DistilBERT
  • Framework: PyTorch + Hugging Face Transformers
  • Task: Binary text classification
  • Output:
    • Valid command
    • Invalid command

The model uses natural language commands combined with contextual information such as:

  • User command
  • Room location
  • Smart-home scenario

Example input: Command: Turn on the bedroom light Location: Bedroom

Example output: Valid: True Confidence: 0.99

Training Dataset

The model was trained using the SmartHomeIoTNLU dataset.

Dataset characteristics:

  • Synthetic smart-home dataset
  • Natural language commands
  • Context information
  • Room-aware command validation
  • Single-device and multi-device scenarios

Dataset repository:

SmartHomeNLU-Dataset

Training Configuration

  • Model: distilbert-base-uncased
  • Maximum sequence length: 64
  • Batch size: 16
  • Learning rate: 2e-5
  • Optimizer: AdamW
  • Epochs: 3
  • Loss function: Binary Cross Entropy with Logits

Performance

Evaluation results:

MetricValue
Accuracy0.9839
F1-score (samples)0.9946
F1-score (micro)0.9978
Hamming Loss0.0004
Brier Score0.0002

Limitations

  • The model is trained on synthetic smart-home commands.
  • Real-world user expressions may contain unseen behaviours.
  • Additional validation is required before deployment in safety-critical environments.

Citation

If you use this model, please cite: SmartHome-AI-IoT Framework: A Natural Language Understanding, Low-Latency, Context-Aware, Multi-Device Control and Self-Learning SmartHome IoT Framework.

Related Resources

License

Apache-2.0

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · text-classification

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
8b26a4b

0 моделей

    Создать бенчмарк