/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
508 млн
Размер весов
1,2 ГБ
Лицензия
Своя лицензия
Архитектура
qwen3 · dense
Базовая модель
Qwen3-0.6B
Опубликована
5 авг 2026

hamo-score-0.6b

Генерация текстаТекст → текст3 профессии

Компактная модель Hamo AI оценивает сообщения в диалогах о психологическом благополучии по пяти шкалам и возвращает структурированный JSON для последующей логики приложения.

4 169скачиваний за 30 дней2лайкавеса обновлены6 окт 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

hamo-score-0.6b — это компактная модель Hamo AI на 507,9 млн параметров, дообученная на базе Qwen/Qwen3-0.6B для оценки отдельных сообщений в диалогах о психологическом благополучии. На китайском и английском она выдаёт JSON с пятью оценками от 0 до 3: инициативность, отстранение, крайность мышления, враждебность и границы. Модель не пишет ответы; оценки предназначены для последующей обработки детерминированным кодом. Контекст модели — 40 960 токенов, однако описанный сценарий использует одно сообщение за раз. Доступны веса Safetensors и GGUF Q8; для GGUF автор сообщает размер около 0,64 ГБ и возможность локального запуска на CPU.

Модель предназначена для локального скоринга сообщений в системах поддержки благополучия, где оценки подаются в логику обновления состояния или выбора действий. Автор приводит результаты внутренней проверки, но подчёркивает, что наборы узкие и не подтверждают качество на широкой популяции; языковые результаты отдельно не оценивались. Это не чат-бот, диагностический инструмент или детектор кризисов. Для пользовательских сценариев автор требует независимый механизм обработки кризисов до модели. Версия оценок важна: результаты разных версий несопоставимы, а оценка границ может ошибаться без контекста. Лицензия HAMO-RAIL-S 1.0 допускает коммерческое использование с ограничениями.

Сценарии применения

  • оценка инициативности сообщения в диалоге поддержки
  • выявление отстранения и ухода от взаимодействия
  • оценка крайности мышления в сообщении
  • оценка враждебности и выраженности личных границ
  • передача оценок в локальную логику обновления состояния пользователя

Ограничения

Проверки охватывают узкие и повторно использовавшиеся наборы, включая сообщения лишь трёх сотрудников; качество отдельно по языкам не оценивалось. Модель не предназначена для диагностики или выявления кризисов, а оценка границ может ошибаться без контекста.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

hamo-score-0.6b — the little model that takes your pulse

A 0.6B model that reads one message from a wellness conversation, in Chinese or English, and returns five scores as one JSON object: Agency, Withdrawal, Extremity, Hostility, Boundary (AWEHB), each 0.0–3.0. It does not write replies; its scores feed deterministic code (stress update, state buckets, action gating). 中文说明见下方。

  • Scores locally, on CPU. No external API, no conversation data leaving the machine. Distilled to do the job of the LLM scorer behind Hamo AI's production rubric (the reference scorer).
  • Small, and fast enough for live use. 0.64 GB as q8 GGUF (base: Qwen3-0.6B). On an ARM CPU server through ollama, with the toolkit's prompt trimming: median 2.13 s per message, slowest 2.91 s of 138 synthetic items.
  • Ready to wire in. The toolkit (pip install hamo-score, Apache-2.0): prompt format, upstream keyword gate, one-command Docker server.
  • Free to use, commercially too. HAMO-RAIL-S 1.0, with use restrictions.

Message: 今天试着出门散了个步 (tried going out for a walk today), after the assistant asked 这周过得怎么样? (how was your week?)

Scores (v10): {"A": 1.0, "W": 0.0, "E": 0.0, "H": 0.0, "B": 1.5}

A one-off walk is mid-band Agency; Boundary also credits a report of positive action.

Quickstart

pip install hamo-score
  • Library: score_message() runs the keyword gate first and skips scoring if it fires.
  • Server: docker compose up in server/ of the toolkit repository serves v10 as POST /score on port 8080.
  • Self-check: python eval/run_exam.py in a clone of the repository, against your own ollama endpoint (--base-url); the Docker server exposes only port 8080.
  • Weights: gguf/hamo-score-0.6b-v10.q8.gguf. Sampling must be neutral (temperature 0, repeat_penalty 1.0, top_k 0, top_p 1.0): ollama's default repeat_penalty 1.1 pushes scores away from zero. The toolkit's OllamaClient sends the last three with each request.

Prompt template, transformers snippet and Modelfile: technical record.

The five scores

ScoreWhat it reads (0.0–3.0 in steps of 0.5)
AAgencyMoving one's situation, or the helping relationship, forward: a decision, asking for help, a sustained healthy habit
WWithdrawalGiving up, avoiding, disengaging
EExtremityCatastrophizing chains, all-or-nothing thinking
HHostilityAttacking someone; venting without a target is not hostility
BBoundarySpeaking clearly from an "I" position: a need, a limit, a stated position; calm self-description and reports of positive action also score high

The scores are not meant to be read raw.

Numbers at a glance

MeasureResult (v10, shipped q8 GGUF, llama.cpp with Metal, temperature 0)Measured on
Same state bucket as the reference labels435 of 453 turns (96.0%)real final exam
W, E and H within ±0.5 of the reference labels1,204 of 1,359 judgmentsreal final exam
A: the higher-agency message of a pair scores higher149 of 154 pairssynthetic A exam
B: the higher-boundary message of a pair scores higher179 of 180 pairssynthetic B exams
Scores within ±0.5 of the label, mean of the five87.3%toolkit self-check, 195 synthetic questions; certifies wiring, not model quality
Unparseable outputs0six exams

The real final exam is 453 pseudonymised turns from three consenting internal staff members, so these are not accuracy figures for the general population. The synthetic exams are in-distribution: passing shows no regression inside the known range, not generalisation.

What it is not

Not a chatbot, not a diagnostic instrument, not a crisis detector. It does not detect or handle crises, and none of its scores, W included, is a crisis signal. Crisis handling is the job of deterministic code that runs before the model: the toolkit's keyword gate is a starting point, not a complete screen, and LICENSE §3c makes an independent upstream mechanism a condition of consumer-facing mental-wellness deployments.

Evaluation

v10 met 17 of the 18 checks of its signed pre-registration. The one it did not meet, G5a, was a stand-in for crisis handling, which the founder ruled outside this model after seeing the result; under the registration as signed the verdict was "rejected", and v10 is released by the founder's decision. The reported checks, exams and method are in the technical record.

Limitations & known residuals

  • Scores are not comparable across v7, v9 and v10. Store the version with every score.
  • A follows a newer rubric (v8) with no measurement on real conversations yet.
  • B can flip sign. With no context, v10 scores B 2.5 on a known self-erasure sentence (giving up one's own position) whose correct B is 0; v7 and v9 score it 0.
  • The exams are narrow and reused. The real ones cover three staff members and have judged earlier versions.
  • Check the toolkit's stress cut-offs on your own data before they gate anything.
  • Full list: technical record.

Training data

Synthetic conversations labelled by an open-weight teacher model, plus 440 pseudonymised turns from consenting internal staff. External user conversations never enter training. Training messages: 76.0% Chinese, 13.1% English, 10.9% mixed; results were not broken down by language.

Versions and files

  • v10 is the default on main since 2026-10-06 (UTC). Pin it with revision="f3869312f0222992c3eb2e938e78090de38eb80a".
  • Files: gguf/hamo-score-0.6b-v10.q8.gguf; the v9, v7 and v6.1 GGUFs stay in gguf/. Digests and rollback commands: technical record.
  • Coming from v9: its narrower B rubric makes computed stress drift upward wherever B has a negative weight, and re-tuning thresholds does not repair it. Move to v10 (or back to v7); do not carry over stress accumulated from v9 scores (full correction).

Links and license

中文

给每句话把脉的小模型:0.6B,读心理支持对话里的一条消息(中文、英文都行),输出一个 JSON 对象,里面是五个分数:行动力、退缩、极端化、敌意、边界感(AWEHB),各 0.0–3.0。它只打分,不写回复;分数是给确定性代码用的(压力更新、状态桶、动作门控)。

  • 本地评分,CPU 就能跑。 不调外部 API,对话数据不出机器。它学的是 Hamo AI 按生产口径打分的大模型评分器(参照评分器)。
  • 小,而且快到能实时用。 q8 GGUF 0.64 GB(基座 Qwen3-0.6B)。在跑 ollama 的 ARM CPU 服务器上,提示词按工具包规则截短,每条消息中位 2.13 秒,138 道合成题里最慢 2.91 秒。
  • 拿来就能接。 工具包(pip install hamo-score,Apache-2.0):提示词格式、放在模型上游的关键词闸门、一条命令启动的 Docker 服务。
  • 可自由使用,商用也行。 许可证是 HAMO-RAIL-S 1.0,附使用限制。

消息: 今天试着出门散了个步(上一句是助手问「这周过得怎么样?」)

打分(v10): {"A": 1.0, "W": 0.0, "E": 0.0, "H": 0.0, "B": 1.5}

单次散步算中档的行动力;边界感的口径也给「报告积极行动」记分。

快速上手

pip install hamo-score
  • 库: score_message() 先跑关键词闸门,命中就不评分。
  • 服务: 在工具包仓库的 server/ 下执行 docker compose up,8080 端口 POST /score,跑的是 v10。
  • 自检: 克隆仓库后运行 python eval/run_exam.py,对着自己的 ollama 服务(--base-url);Docker 服务只开放 8080 端口。
  • 权重: gguf/hamo-score-0.6b-v10.q8.gguf。采样必须取中性值(温度 0、repeat_penalty 1.0、top_k 0、top_p 1.0):ollama 默认的 repeat_penalty 1.1 会把分数从 0 往上推。工具包的 OllamaClient 每次请求都带后三项。

提示词模板、transformers 代码和 Modelfile 见技术档案。

五个分数

分数读的是什么(0.0–3.0,步长 0.5)
A行动力主动推动处境或疗愈关系向前:做决定、主动求助、坚持健康习惯
W退缩放弃、回避、抽离
E极端化灾难化连锁、非黑即白
H敌意攻击某个人;没有对象的抱怨不算
B边界感站在「我」的位置把需要、界限、立场说清楚;平静有条理的自述、报告积极行动也给高分

分数不是直接读的。

关键数字

指标结果(v10,随包 q8 GGUF,llama.cpp + Metal,温度 0)考卷
与参照标签落在同一个状态桶453 轮中 435 轮(96.0%)真实终评
W、E、H 与参照标签相差不超过 0.51,359 个判断中 1,204 个真实终评
A:成对题里行动力更高的一条得分更高154 对中 149 对合成 A 卷
B:成对题里边界更清楚的一条得分更高180 对中 179 对两份合成 B 卷
与标签相差不超过 0.5(五维平均)87.3%工具包自检卷,195 道合成题;考过只说明接线对,不说明模型打得对
无法解析的输出0六份考卷

真实终评是三位已同意的内部员工的 453 轮对话,已假名化,所以这些不是一般人群上的准确率。合成考卷与训练同分布:考过只说明已知范围内没有退步,不说明能推广。

它不是什么

不是聊天机器人,不是诊断工具,也不是危机检测器。它不识别也不处理危机;它的分数,包括 W 在内,没有一个是危机信号。危机处理由先于模型运行的确定性代码负责:工具包的关键词闸门只是起点,不是完整筛查;面向消费者的心理健康部署,上游必须有独立机制,这是许可条件(LICENSE §3c)。

评测

签字版预注册的 18 项检查,v10 过了 17 项。没过的那一项 G5a 当初是作为危机处理的替代指标设的;创始人看到结果后裁定,危机处理不在本模型里判定。按签字版预注册,判定是「拒收」;v10 由创始人决定发布。已报告的各项检查、考卷和方法,都在技术档案里。

已知局限

  • v7、v9、v10 的分数互不可比。 分数要连同版本一起存。
  • A 用较新的 v8 口径,还没有真实对话上的测量。
  • B 可能判反(符号翻转)。 一句已知的自我消融短句(放弃自己的立场),不带上下文时 v10 打 B 2.5,正确的 B 是 0;v7、v9 打 0。
  • 考卷窄,而且反复用过。 真实考卷只覆盖三位员工,也给此前的版本判过卷。
  • 工具包里压力分桶的阈值,请先用自己的数据核对,再让它把关。
  • 完整清单见技术档案。

训练数据

合成对话由开放权重的教师模型打标,另有 440 轮假名化的内部员工对话(经本人同意)。外部用户的对话从不进入训练。训练消息里中文占 76.0%,英文 13.1%,中英混杂 10.9%;成绩没有按语言拆开测。

版本与文件

  • main 自 2026-10-06(UTC)起默认是 v10。固定版本请用 revision="f3869312f0222992c3eb2e938e78090de38eb80a"。
  • 文件: gguf/hamo-score-0.6b-v10.q8.gguf;v9、v7、v6.1 的 GGUF 仍在 gguf/ 下。校验和与回退命令见技术档案。
  • 从 v9 过来: v9 的 B 用的是更窄的口径,喂进 B 为负权重的压力公式,算出的压力会向上漂,重调阈值修不了。请换 v10(或退回 v7),按 v9 分数累积的压力值不要沿用(完整更正)。

链接与许可证

  • 工具包: GitHub · PyPI · 集成指南 · FAQ · 微调指南。
  • 其余内容: 技术档案(中文在下半部分)。
  • 对评分有不同意见? 提分歧报告。
  • 许可证: HAMO-RAIL-S 1.0(LICENSE),商用、非商用均可自由使用,也可修改和再分发;另有四条须随权重传递的使用限制(§3a–d)。它不是 OSI 认可的开源许可证,这是有意为之。

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
036e96d

0 моделей